Caracterización del microambiente inmune utilizando datos transcriptómicos y estudio de su valor pronóstico en cáncer colorrectal
María Fuentes Baile
12 de enero, 2025
Paquetes necesarios
# Control de calidad
library(Biobase) # Funciones básicas de Bioconductor
library(arrayQualityMetrics) # Control de calidad de microarrays
# Descripción de variables
library(summarytools) # Tablas resumen y estadísticas descriptivas
# Manipulación de datos
library(reshape2) # Conversión de datos a formato largo
# Análisis estadísticos
library(car) # Test de Levene
library(FSA) # Test de Dunn
# Visualización y gráficas
library(ggplot2)
library(ggsignif) # Añadir significación a las gráficas
library(ggpubr) # Funciones para personalizar gráficos
library(viridis) # Paleta de colores
# Métodos de deconvolución
source('CIBERSORT.R')
library(MCPcounter)
library(ConsensusTME)
library(quantiseqr)
# Análisis de supervivencia
library(survival)
library(survminer) # Establecer punto de corte para supervivenciaConjuntos de datos
Preparación de los datos
# Carga de los datos
## Datos clínicos y de expresión del Dataset1
load("./Datos1079.RData")
## Dataset 2
load("./exp.genes.RData") # Datos de expresión génica
load("./datos_clinicos_clean.RData") # Datos clínicosLas variables clínicas del Dataset2 se han filtrado, seleccionando únicamente aquellas relevantes para el estudio.
# Selección de variables clínicas en el Dataset2
clinic2 <- data_clinic_clean[, c(1,3,4,8,14,15,16,24, 35, 41, 44, 45, 46)]En el Dataset2, se ha creado la variable Estadio_recod,
recodificando los valores de la variable Estadio a I, II y
III. Posteriormente, se ha obtenido la información de los 5 valores
faltantes en esta variable y han sido añadidos antes de proceder con el
análisis.
# Valores incluidos en la variable Estadio
table(clinic2$Estadio)##
## I IIA IIB IIC IIIB
## 1 231 30 13 3# Recodificar la variable Estadio a Estadio_recod
clinic2$Estadio_recod <- as.character(clinic2$Estadio)
clinic2$Estadio_recod[clinic2$Estadio %in% c("IIA", "IIB", "IIC")] <- "II"
clinic2$Estadio_recod[clinic2$Estadio == "IIIB"] <- "III"
clinic2$Estadio_recod <- as.factor(clinic2$Estadio_recod)
table(clinic2$Estadio_recod)##
## I II III
## 1 274 3# Comprobar valores NA en la variable Estadio_recod
table(is.na(clinic2$Estadio_recod))##
## FALSE TRUE
## 278 5# Identificar filas con valores NA
which(is.na(clinic2$Estadio_recod))## [1] 29 75 216 255 256# Sustituir estos valores por los reales
clinic2$Estadio_recod[c(29, 75, 216, 255, 256)] <- c("I", "II", "II", "II", "II")
# Confirmar que ya no hay valores faltantes
table(is.na(clinic2$Estadio_recod))##
## FALSE
## 283Para realizar los análisis de supervivencia, se han creado las
variables SurvTime y Status. Además, se han
corregido dos errores detectados en la variable
Fecha Diagnostico.
# Cambiar formato de las variables `Fecha de último seguimiento` y `Fecha Diagnostico` a fecha
clinic2$`Fecha de último seguimiento`<- as.Date(clinic2$`Fecha de último seguimiento`)
clinic2$`Fecha Diagnostico`<- as.Date(clinic2$`Fecha Diagnostico`)
# Corregir errores de la variable `Fecha diagnostico`
clinic2[50,4]## [1] "2027-07-03"clinic2[50,4]<-"2017-07-03"
clinic2[219,4]## [1] "1949-09-06"clinic2[219,4]<-NA
# Crear la variable SurvTime
clinic2$SurvTime <- as.numeric(clinic2$`Fecha de último seguimiento` - clinic2$`Fecha Diagnostico`)
# Crear la variable Status
clinic2$Status <- ifelse(
clinic2$`Último seguimiento` %in% "Muerto con enfermedad", 1, 0)
clinic2$Status<-as.factor(clinic2$Status)
table(clinic2$Status)##
## 0 1
## 267 16Análisis de calidad
Para analizar la calidad de los datos se ha utilizado el paquete
arrayQualityMetrics. En primer lugar, se ha convertido la
matriz de expresión y los datos clínicos en un ExpressionSet.
# Dataset 1
eset <- ExpressionSet(assayData = ex)
pData(eset) <- clin
arrayQualityMetrics(eset)
# Dataset 2
eset2 <- ExpressionSet(assayData = as.matrix(exp.genes))
pData(eset2) <- clinic2
arrayQualityMetrics(eset2)Los informes generados por la función anterior revelan que hay 16 y 7 muestras identificadas como outliers mediante dos metodologías diferentes en los datasets 1 y 2, respectivamente. Para analizar si es necesario eliminarlas o no, se ha realizado un análisis de componentes principales (PCA) marcándolas de un color diferente.
# PCA Dataset1
pca1 <- prcomp(t(ex), scale = TRUE)
pca1_data <- data.frame(pca1$x, Patient = colnames(ex))
# Lista de posibles outliers detectados por arrayQualityMetrics
outliers1 <- c("GSM437150", "GSM437153", "GSM972097", "GSM972105", "GSM972264", "GSM972274", "GSM972275", "GSM972357", "GSM972444", "TCGA-A6-2679", "TCGA-AA-3542", "TCGA-AA-A004", "TCGA-AA-A01T", "TCGA-AZ-4681", "TCGA-D5-5540", "TCGA-F4-6703")
# Crear la columna `Outlier` dentro de los resultados del pca
pca1_data$Outlier <- ifelse(rownames(pca1_data) %in% outliers1, "Outlier", "Normal")
# Representar el PCA marcando los outliers
ggplot(pca1_data, aes(x = PC1, y = PC2, color = Outlier)) +
geom_point(size = 2) +
geom_text(data = subset(pca1_data, Outlier == "Outlier"),
aes(label = Patient),
hjust = 1, vjust = 1, size = 2, color = "black") +
scale_color_manual(values = c("Normal" = "blue", "Outlier" = "red")) +
xlim(-100, 225) + ylim(-150, 150) +
labs(title = "PCA Dataset1", x = "PC1", y = "PC2") +
theme_minimal() +
theme(legend.position = "bottom")
Hay tres muestras (TCGA-AA-A01T, TCGA-A6-2679 y TCGA-AA-A004) que se alejan claramente de la nube de datos principal, por lo que se han descartado del conjunto de datos.
# Listado de outliers definitivos
outliers1 <- c("TCGA-A6-2679", "TCGA-AA-A004", "TCGA-AA-A01T")
# Eliminar los outliers de los datos de expresión
exp1 <- ex[, !colnames(ex) %in% outliers1]
# Eliminar los outliers de los datos clínicos
clinic1 <- clin[!clin$ID %in% outliers1, ]# PCA Dataset2
pca2 <- prcomp(t(exp.genes), scale = TRUE)
pca2_data <- data.frame(pca2$x, Patient = colnames(exp.genes))
# Lista de posibles outliers detectados por arrayQualityMetrics
outliers2 <- c("UAT-2022-F-814", "UAT-2022-F-815", "UAT-2022-F-816", "UAT-2022-F-823", "UAT-2022-F-824", "UAT-2022-F-827", "UAT-2023-F-682")
# Crear la columna `Outlier` dentro de los resultados del pca
pca2_data$Outlier <- ifelse(rownames(pca2_data) %in% outliers2, "Outlier", "Normal")
# Representar el PCA marcando los outliers
ggplot(pca2_data, aes(x = PC1, y = PC2, color = Outlier)) +
geom_point(size = 2) +
geom_text(data = subset(pca2_data, Outlier == "Outlier"),
aes(label = Patient),
hjust = 1, vjust = 1, size = 2, color = "black") +
scale_color_manual(values = c("Normal" = "blue", "Outlier" = "red")) +
labs(title = "PCA Dataset2", x = "PC1", y = "PC2") +
theme_minimal() +
theme(legend.position = "bottom")
En el Dataset2, los posibles valores atípicos se encuentran dentro del núcleo principal de los datos. Para verificar si su eliminación afecta significativamente la estructura general, se ha repetido el PCA tras eliminar estos valores.
# Crear un subconjunto sin los outliers
expr2_filtered <- exp.genes[, !colnames(exp.genes) %in% outliers2]
# Realizar el PCA en el subconjunto filtrado
pca2_filtered <- prcomp(t(expr2_filtered), scale. = TRUE)
# Convertir los resultados del PCA a un data frame para facilitar la visualización
pca2_df <- as.data.frame(pca2_filtered$x)
# Representar el PCA sin los outliers
ggplot(pca2_df, aes(x = PC1, y = PC2)) +
geom_point(size = 2, color="blue") +
labs(title = "PCA Dataset2 sin outliers", x = "PC1", y = "PC2") +
theme_minimal()
Los resultados muestran que la estructura general de los datos permanece compacta y con una distribución similar, lo que indica que la exclusión de estos valores no altera significativamente el patrón de agrupamiento. Por tanto, estas muestras no se han descartado para los análisis posteriores.
Análisis descriptivo
Para realizar el análisis descriptivo de los conjuntos de datos, se
ha utilizado la función dfSummary del paquete
summarytools para las variables clínicas y, de nuevo, el
PCA para los datos de expresión.
# Resumen de las variables clínicas incluidas en el Dataset1
d1_sum<- dfSummary(clinic1[2:9], style = "grid", plain.ascii = FALSE, varnumbers = FALSE, valid.col = FALSE)
view(d1_sum)
# Resumen de las variables clínicas incluidas en el Dataset2
d2_sum<- dfSummary(clinic2[2:16], style = "grid", plain.ascii = FALSE, varnumbers = FALSE, valid.col = FALSE)
view(d2_sum)En este caso, el PCA se ha realizado para determinar si existe una separación clara entre los pacientes de estadio II y III.
# PCA del Dataset1 separando los estadios
pca1 <- prcomp(t(exp1), scale = TRUE)
pca_data1 <- as.data.frame(pca1$x)
pca_data1$Estadio <- clinic1$stage[match(rownames(pca_data1), clinic1$ID)]
ggplot(pca_data1, aes(x = PC1, y = PC2, color = Estadio)) +
geom_point(size = 2) +
labs(title = "PCA Dataset1 por estadio", x = "PC1", y = "PC2") +
theme_minimal() +
scale_color_manual(values = c("II" = "blue", "III" = "red"))
En el Dataset2, la representación del PCA se ha realizado en función de los estadios, las recidivas y el lote.
# PCA del Dataset2 en función del estadio
pca2_data$Estadio <- clinic2$Estadio[match(rownames(pca2_data), clinic2$`CÓDIGO IDENTIFICACIÓN`)]
ggplot(pca2_data, aes(x = PC1, y = PC2, color = Estadio)) +
geom_point(size = 2) +
labs(title = "PCA Dataset2 por estadio", x = "PC1", y = "PC2") +
theme_minimal()
# PCA del Dataset2 en función de las recidivas
pca2_data$Recidiva <- clinic2$Recidiva[match(rownames(pca2_data), clinic2$`CÓDIGO IDENTIFICACIÓN`)]
ggplot(pca2_data, aes(x = PC1, y = PC2, color = Recidiva)) +
geom_point(size = 2) +
labs(title = "PCA Dataset2 en función de las recidivas", x = "PC1", y = "PC2") +
theme_minimal() +
scale_color_manual(values = c("No" = "blue", "Si" = "red"))
# PCA del Dataset2 separando por lote
pca2_data$Lote <- clinic2$batch[match(rownames(pca2_data), clinic2$`CÓDIGO IDENTIFICACIÓN`)]
ggplot(pca2_data, aes(x = PC1, y = PC2, color = Lote)) +
geom_point(size = 2) +
labs(title = "PCA Dataset2 por lote", x = "PC1", y = "PC2") +
theme_minimal() 
Caracterización del microambiente inmune
CIBERSORT
# Almacenar los datos de expresión de ambos datasets en archivos de texto tabulados
write.table(exp1, file = "./exp1.txt", sep = "\t", quote = FALSE, row.names = TRUE)
write.table(exp.genes, file = "./exp_genes.txt", sep = "\t", quote = FALSE, row.names = TRUE)
# Deconvolución
cibersort_r1<-CIBERSORT(sig_matrix = "./LM22.txt", mixture_file = "./exp1.txt", perm = 100, QN=TRUE)
cibersort_r1 <- t(cibersort_r1)
cibersort_r2<-CIBERSORT(sig_matrix = "./LM22.txt", mixture_file = "./exp_genes.txt", perm = 100, QN=TRUE)
cibersort_r2 <- t(cibersort_r2)
# Representación Dataset1
## Preparar el dataframe
cibersort_r1 <- as.data.frame(cibersort_r1)
cibersort_r1_rep <- cibersort_r1[-c(23, 24, 25), ]
cibersort_r1_rep$cell_type <- rownames(cibersort_r1_rep)
## Convertir de formato ancho a largo
cibersort1_long <- melt(cibersort_r1_rep, id.vars="cell_type", variable.name = "sample", value.name = "fraction")
## Visualizar con ggplot2
ggplot(cibersort1_long, aes(x = sample, y = fraction, fill = cell_type)) +
geom_bar(stat = "identity") +
scale_fill_viridis(discrete = TRUE) +
theme_minimal() +
labs(x = "Muestras", y = "Fracción Celular", fill = "Tipo de Célula", title = "Dataset 1") +
theme(
axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.direction = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank(),
legend.key.size = unit(0.3, "cm")
) +
guides(fill = guide_legend(ncol = 1)) 
# Representación Dataset 2
## Preparar el dataframe
cibersort_r2 <- as.data.frame(cibersort_r2)
cibersort_r2_rep <- cibersort_r2[-c(23, 24, 25), ]
cibersort_r2_rep$cell_type <- rownames(cibersort_r2_rep)
## Convertir de formato ancho a largo
cibersort2_long <- melt(cibersort_r2_rep, id.vars="cell_type", variable.name = "sample", value.name = "fraction")
## Visualizar con ggplot2
ggplot(cibersort2_long, aes(x = sample, y = fraction, fill = cell_type)) +
geom_bar(stat = "identity") +
scale_fill_viridis(discrete = TRUE) +
theme_minimal() +
labs(x = "Muestras", y = "Fracción Celular", fill = "Tipo de Célula", title = "Dataset 2") +
theme(
axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.direction = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank(),
legend.key.size = unit(0.3, "cm")
) +
guides(fill = guide_legend(ncol = 1)) 
MCP Counter
# Deconvolución
MCP_r1 <- MCPcounter.estimate(exp1, featuresType = "HUGO_symbols", probesets=read.table(curl("http://raw.githubusercontent.com/ebecht/MCPcounter/master/Signatures/probesets.txt"),sep="\t",stringsAsFactors=FALSE,colClasses="character"), genes=read.table(curl("http://raw.githubusercontent.com/ebecht/MCPcounter/master/Signatures/genes.txt"),sep="\t",stringsAsFactors=FALSE,header=TRUE,colClasses="character",check.names=FALSE))
MCP_r2 <- MCPcounter.estimate(exp.genes, featuresType = "HUGO_symbols", probesets=read.table(curl("http://raw.githubusercontent.com/ebecht/MCPcounter/master/Signatures/probesets.txt"),sep="\t",stringsAsFactors=FALSE,colClasses="character"), genes=read.table(curl("http://raw.githubusercontent.com/ebecht/MCPcounter/master/Signatures/genes.txt"),sep="\t",stringsAsFactors=FALSE,header=TRUE,colClasses="character",check.names=FALSE))
# Representación Dataset1
## Preparar el dataframe
MCP_r1 <- as.data.frame(MCP_r1)
MCP_r1$cell_type <- rownames(MCP_r1)
## Convertir a formato largo
MCP1_long <- melt(MCP_r1, id.vars = "cell_type", variable.name = "sample", value.name = "score")
## Visualizar con ggplot2
ggplot(MCP1_long, aes(x = sample, y = score, fill = cell_type)) +
geom_bar(stat = "identity") +
scale_fill_viridis(discrete = TRUE) +
theme_minimal() +
labs(x = "Muestras", y = "Score", fill = "Tipo de Célula", title = "Dataset 1") +
theme(axis.text.x = element_blank()) 
# Representación Dataset 2
## Preparar el dataframe
MCP_r2 <- as.data.frame(MCP_r2)
MCP_r2$cell_type <- rownames(MCP_r2)
## Convertir a formato largo
MCP2_long <- melt(MCP_r2, id.vars = "cell_type", variable.name = "sample", value.name = "score")
# Visualizar con ggplot2
ggplot(MCP2_long, aes(x = sample, y = score, fill = cell_type)) +
geom_bar(stat = "identity") +
scale_fill_viridis(discrete = TRUE) +
theme_minimal() +
labs(x = "Muestras", y = "Score", fill = "Tipo de Célula", title = "Dataset 2") +
theme(axis.text.x = element_blank())
Quantiseq
# Deconvolución
quantiseq_r1 <- quantiseqr::run_quantiseq(exp1, signature_matrix = "TIL10", is_arraydata = TRUE, is_tumordata = TRUE)
quantiseq_r1 <- quantiseq_r1[,-1] # Descartar la columna "Sample"
quantiseq_r1 <- t(quantiseq_r1) # Transponer
quantiseq_r2 <- quantiseqr::run_quantiseq(exp.genes, signature_matrix = "TIL10", is_arraydata = TRUE, is_tumordata = TRUE)
quantiseq_r2 <- quantiseq_r2[,-1] # Descartar la columna "Sample"
quantiseq_r2 <- t(quantiseq_r2) # Transponer
# Representación Dataset1
## Preparar el dataframe
quantiseq_r1 <- as.data.frame(quantiseq_r1)
quantiseq_r1$cell_type <- rownames(quantiseq_r1)
## Convertir a formato largo
quantiseq1_long <- melt(quantiseq_r1, id.vars = "cell_type", variable.name = "sample", value.name = "fraction")
## Visualizar con ggplot2
ggplot(quantiseq1_long, aes(x = sample, y = fraction, fill = cell_type)) +
geom_bar(stat = "identity") +
scale_fill_viridis(discrete = TRUE) +
theme_minimal() +
labs(x = "Muestras", y = "Fracción Celular", fill = "Tipo de Célula", title = "Dataset 1") +
theme(axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank()) 
# Representación Dataset 2
## Preparar el dataframe
quantiseq_r2 <- as.data.frame(quantiseq_r2)
quantiseq_r2$cell_type <- rownames(quantiseq_r2)
## Convertir a formato largo
quantiseq2_long <- melt(quantiseq_r2, id.vars = "cell_type", variable.name = "sample", value.name = "fraction")
## Visualizar con ggplot2
ggplot(quantiseq2_long, aes(x = sample, y = fraction, fill = cell_type)) +
geom_bar(stat = "identity") +
scale_fill_viridis(discrete = TRUE) +
theme_minimal() +
labs(x = "Muestras", y = "Fracción Celular", fill = "Tipo de Célula", title = "Dataset 2") +
theme(axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank()) 
Consensus TME
# Deconvolución
TME_r1<-ConsensusTME::consensusTMEAnalysis(as.matrix(exp1), cancer = "COAD", statMethod = "gsva")## Producing ConsensusTME Estimates Using The Following Parameters:
## Statistical Framework: "gsva"
## Gene Sets For Cancer Type: "COAD"
## Sample Size: 1076
## Estimating GSVA scores for 19 gene sets.
## Estimating ECDFs with Gaussian kernels
## | | | 0% | |==== | 5% | |======= | 11% | |=========== | 16% | |=============== | 21% | |================== | 26% | |====================== | 32% | |========================== | 37% | |============================= | 42% | |================================= | 47% | |===================================== | 53% | |========================================= | 58% | |============================================ | 63% | |================================================ | 68% | |==================================================== | 74% | |======================================================= | 79% | |=========================================================== | 84% | |=============================================================== | 89% | |================================================================== | 95% | |======================================================================| 100%TME_r2<-ConsensusTME::consensusTMEAnalysis(as.matrix(exp.genes), cancer = "COAD", statMethod = "gsva")## Producing ConsensusTME Estimates Using The Following Parameters:
## Statistical Framework: "gsva"
## Gene Sets For Cancer Type: "COAD"
## Sample Size: 283
## Estimating GSVA scores for 19 gene sets.
## Estimating ECDFs with Gaussian kernels
## | | | 0% | |==== | 5% | |======= | 11% | |=========== | 16% | |=============== | 21% | |================== | 26% | |====================== | 32% | |========================== | 37% | |============================= | 42% | |================================= | 47% | |===================================== | 53% | |========================================= | 58% | |============================================ | 63% | |================================================ | 68% | |==================================================== | 74% | |======================================================= | 79% | |=========================================================== | 84% | |=============================================================== | 89% | |================================================================== | 95% | |======================================================================| 100%# Representación Dataset 1
## Preparar el dataframe
TME_r1 <- as.data.frame(TME_r1)
TME_r1_rep <- TME_r1[-19, ] # Descartar la columna Immune_score
TME_r1_rep$cell_type <- rownames(TME_r1_rep)
## Convertir a formato largo
TME1_long <- melt(TME_r1_rep, id.vars = "cell_type", variable.name = "sample", value.name = "score")
# Visualizar con ggplot2
ggplot(TME1_long, aes(x = sample, y = score, fill = cell_type)) +
geom_bar(stat = "identity") +
scale_fill_viridis(discrete = TRUE) +
theme_minimal() +
labs(x = "Muestras", y = "Score", fill = "Tipo de Célula", title = "Dataset 1") +
theme(
axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.direction = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank(),
legend.key.size = unit(0.3, "cm")
) +
guides(fill = guide_legend(ncol = 1)) 
# Representación Dataset 2
## Preparar el dataframe
TME_r2 <- as.data.frame(TME_r2)
TME_r2_rep <- TME_r2[-19, ] # Descartar la columna Immune_score
TME_r2_rep$cell_type <- rownames(TME_r2_rep)
## Convertir a formato largo
TME2_long <- melt(TME_r2_rep, id.vars = "cell_type", variable.name = "sample", value.name = "score")
# Visualizar con ggplot2
ggplot(TME2_long, aes(x = sample, y = score, fill = cell_type)) +
geom_bar(stat = "identity") +
scale_fill_viridis(discrete = TRUE) +
theme_minimal() +
labs(x = "Muestras", y = "Score", fill = "Tipo de Célula", title = "Dataset 2") +
theme(
axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.direction = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank(),
legend.key.size = unit(0.3, "cm")
) +
guides(fill = guide_legend(ncol = 1)) 
Diferencias en la infiltración del sistema inmune entre los estadios II y III
# Crear el dataframe Estadios
Estadios <- clinic1[, c("ID", "stage")]
colnames(Estadios) <- c("ID", "Estadio")
# CIBERSORT
## Preparar los datos
inf_ciber_data1 <- as.data.frame(t(cibersort_r1_rep)) # Transponer los datos
inf_ciber_data1[] <- lapply(inf_ciber_data1, function(x) as.numeric(as.character(x))) # Asegurar que todos los datos sean numéricos
inf_ciber_data1$ID <- rownames(inf_ciber_data1) # Asignar los nombres de fila como la columna 'ID'
inf_ciber_data1 <- merge(inf_ciber_data1, Estadios, by = "ID") # Fusionar los datos de infiltración con los estadios
inf_ciber_data1$Estadio <- as.factor(inf_ciber_data1$Estadio) # Convertir la columna 'Estadio' en un factor
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber_data1)[2:23] # Definir los tipos celulares
result_ciber1 <- data.frame(TipoCelular = tipos_celulares, p_value = NA) # Crear un dataframe vacío para almacenar los resultados
for (tipo in tipos_celulares) {
grupo_II <- inf_ciber_data1[inf_ciber_data1$Estadio == "II", tipo] # Filtrar los datos para el estadio II
grupo_III <- inf_ciber_data1[inf_ciber_data1$Estadio == "III", tipo] # Filtrar los datos para el estadio III
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times = c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result <- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
result_ciber1[result_ciber1$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_ciber1$significacion <- cut(
result_ciber1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_data1, id.vars = c("ID", "Estadio"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_ciber1), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_ciber1$significacion[match(unique(infiltration_long$Cell_Type), result_ciber1$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Estadio)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
ylim(NA, 0.6) +
# Añadir significación
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0)
# MCP-counter
## Preparar los datos
inf_MCP_data1 <- as.data.frame(t(MCP_r1)) # Transponer los datos
inf_MCP_data1[] <- lapply(inf_MCP_data1, function(x) as.numeric(as.character(x))) # Asegurar que todos los datos sean numéricos
inf_MCP_data1$ID <- rownames(inf_MCP_data1) # Asignar los nombres de fila como la columna 'ID'
inf_MCP_data1 <- merge(inf_MCP_data1, Estadios, by = "ID") # Fusionar los datos de infiltración con los estadios
inf_MCP_data1$Estadio <- as.factor(inf_MCP_data1$Estadio) # Convertir la columna 'Estadio' en un factor
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP_data1)[2:11] # Definir los tipos celulares
result_MCP1 <- data.frame(TipoCelular = tipos_celulares, p_value = NA) # Crear un dataframe vacío para almacenar los resultados
for (tipo in tipos_celulares) {
grupo_II <- inf_MCP_data1[inf_MCP_data1$Estadio == "II", tipo] # Filtrar los datos para el estadio II
grupo_III <- inf_MCP_data1[inf_MCP_data1$Estadio == "III", tipo] # Filtrar los datos para el estadio III
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times = c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result <- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
result_MCP1[result_MCP1$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_MCP1$significacion <- cut(
result_MCP1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_data1, id.vars = c("ID", "Estadio"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_MCP1), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_MCP1$significacion[match(unique(infiltration_long$Cell_Type), result_MCP1$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Estadio)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
ylim(NA, 13) +
# Añadir significación
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0)
# quanTIseq
## Preparar los datos
inf_quant_data1 <- as.data.frame(t(quantiseq_r1)) # Transponer los datos
inf_quant_data1[] <- lapply(inf_quant_data1, function(x) as.numeric(as.character(x))) # Asegurar que todos los datos sean numéricos
inf_quant_data1$ID <- rownames(inf_quant_data1) # Asignar los nombres de fila como la columna 'ID'
inf_quant_data1 <- merge(inf_quant_data1, Estadios, by = "ID") # Fusionar los datos de infiltración con los estadios
inf_quant_data1$Estadio <- as.factor(inf_quant_data1$Estadio) # Convertir la columna 'Estadio' en un factor
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant_data1)[2:12] # Definir los tipos celulares
result_quant1 <- data.frame(TipoCelular = tipos_celulares, p_value = NA) # Crear un dataframe vacío para almacenar los resultados
for (tipo in tipos_celulares) {
grupo_II <- inf_quant_data1[inf_quant_data1$Estadio == "II", tipo] # Filtrar los datos para el estadio II
grupo_III <- inf_quant_data1[inf_quant_data1$Estadio == "III", tipo] # Filtrar los datos para el estadio III
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times = c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result <- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
result_quant1[result_quant1$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_quant1$significacion <- cut(
result_quant1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_data1, id.vars = c("ID", "Estadio"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_quant1), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_quant1$significacion[match(unique(infiltration_long$Cell_Type), result_quant1$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Estadio)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
# Añadir significación
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0)
# ConsensusTME
## Preparar los datos
inf_TME_data1 <- as.data.frame(t(TME_r1_rep)) # Transponer los datos
inf_TME_data1[] <- lapply(inf_TME_data1, function(x) as.numeric(as.character(x))) # Asegurar que todos los datos sean numéricos
inf_TME_data1$ID <- rownames(inf_TME_data1) # Asignar los nombres de fila como la columna 'ID'
inf_TME_data1 <- merge(inf_TME_data1, Estadios, by = "ID") # Fusionar los datos de infiltración con los estadios
inf_TME_data1$Estadio <- as.factor(inf_TME_data1$Estadio) # Convertir la columna 'Estadio' en un factor
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME_data1)[2:19] # Definir los tipos celulares
result_TME1 <- data.frame(TipoCelular = tipos_celulares, p_value = NA) # Crear un dataframe vacío para almacenar los resultados
for (tipo in tipos_celulares) {
grupo_II <- inf_TME_data1[inf_TME_data1$Estadio == "II", tipo] # Filtrar los datos para el estadio II
grupo_III <- inf_TME_data1[inf_TME_data1$Estadio == "III", tipo] # Filtrar los datos para el estadio III
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times = c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result <- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
result_TME1[result_TME1$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_TME1$significacion <- cut(
result_TME1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_data1, id.vars = c("ID", "Estadio"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_TME1), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_TME1$significacion[match(unique(infiltration_long$Cell_Type), result_TME1$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Estadio)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
# Añadir significación
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0)
Diferencias en la infiltración del sistema inmune entre los estadios IIA, IIB y IIC
# Preparar el dataframe Estadio
Estadio <- clinic2[, c("CÓDIGO IDENTIFICACIÓN", "Estadio")]
colnames(Estadio) <- c("ID", "Estadio")
Estadio <- Estadio[Estadio$Estadio %in% c("IIA", "IIB", "IIC"), ]
# CIBERSORT
## Preparar los datos
cibersort_filtered <- cibersort_r2_rep[, colnames(cibersort_r2_rep) %in% Estadio$ID] # Seleccionar los valores de infiltración de los ID presentes en `Estadio`
inf_ciber_estadio <- as.data.frame(t(cibersort_filtered))
inf_ciber_estadio$ID <- rownames(inf_ciber_estadio)
inf_ciber_estadio <- merge(inf_ciber_estadio, Estadio, by = "ID")
inf_ciber_estadio$Estadio <- as.factor(inf_ciber_estadio$Estadio)
inf_ciber_estadio <- inf_ciber_estadio[ , -c(8,10,12)] # Descartar tipos celulares cuyos valores son idénticos
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber_estadio)[2:20]
result_ciber2 <- data.frame(TipoCelular = tipos_celulares, Test = NA, p_value = NA, Comparaciones = NA)
for (tipo in tipos_celulares) {
grupo_IIA <- inf_ciber_estadio[inf_ciber_estadio$Estadio == "IIA", tipo]
grupo_IIB <- inf_ciber_estadio[inf_ciber_estadio$Estadio == "IIB", tipo]
grupo_IIC <- inf_ciber_estadio[inf_ciber_estadio$Estadio == "IIC", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
normalidad <- all(
shapiro.test(grupo_IIA)$p.value > 0.05,
shapiro.test(grupo_IIB)$p.value > 0.05,
shapiro.test(grupo_IIC)$p.value > 0.05
)
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_IIA, grupo_IIB, grupo_IIC), grupo = rep(c("IIA", "IIB", "IIC"), times = c(length(grupo_IIA), length(grupo_IIB), length(grupo_IIC))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Si hay normalidad y homocedasticidad, usar ANOVA
if (normalidad && hom_var) {
test_result <- aov(get(tipo) ~ Estadio, data = inf_ciber_estadio)
p_valor <- summary(test_result)[[1]][["Pr(>F)"]][1]
result_ciber2[result_ciber2$TipoCelular == tipo, "Test"]<- "ANOVA"
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"]<- p_valor
# Si el resultado del ANOVA es significativo aplicar el Test HSD de Tukey
if(p_valor < 0.05) {
comparaciones <- TukeyHSD(test_result)$Estadio
comp_sig <- rownames(comparaciones)[comparaciones[, "p adj"] < 0.05]
result_ciber2[result_ciber2$TipoCelular == tipo, "Comparaciones"] <- paste(comp_sig, collapse = "; ")
}
} else {
# Si no hay normalidad y homocedasticidad, usar Kruskal Wallis
test_result <- kruskal.test(get(tipo) ~ Estadio, data = inf_ciber_estadio)
p_valor <- test_result$p.value
result_ciber2[result_ciber2$TipoCelular == tipo, "Test"]<- "Kruskal-Wallis"
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"]<- p_valor
# Si el resultado de Kruskal Wallis es significativo aplicar el test de Dunn ajustado con el método de bonferroni
if(p_valor < 0.05) {
comparaciones <- dunnTest(get(tipo) ~ Estadio, data = inf_ciber_estadio, method = "bonferroni")
comp_sig <- comparaciones$res$Comparison[comparaciones$res$P.unadj < 0.05]
result_ciber2[result_ciber2$TipoCelular == tipo, "Comparaciones"] <- paste(comp_sig, collapse = "; ")
}
}}
### Imprimir resultado
print(result_ciber2)## TipoCelular Test p_value Comparaciones
## 1 B cells naive Kruskal-Wallis 0.27677895 <NA>
## 2 B cells memory Kruskal-Wallis 0.04671211 IIA - IIC
## 3 Plasma cells Kruskal-Wallis 0.23988089 <NA>
## 4 T cells CD8 Kruskal-Wallis 0.88934743 <NA>
## 5 T cells CD4 naive Kruskal-Wallis 0.82734645 <NA>
## 6 T cells CD4 memory resting Kruskal-Wallis 0.21529650 <NA>
## 7 T cells follicular helper Kruskal-Wallis 0.83073294 <NA>
## 8 T cells gamma delta Kruskal-Wallis 0.67952139 <NA>
## 9 NK cells activated ANOVA 0.20738133 <NA>
## 10 Monocytes Kruskal-Wallis 0.28392313 <NA>
## 11 Macrophages M0 Kruskal-Wallis 0.86671265 <NA>
## 12 Macrophages M1 Kruskal-Wallis 0.78665377 <NA>
## 13 Macrophages M2 Kruskal-Wallis 0.19240380 <NA>
## 14 Dendritic cells resting Kruskal-Wallis 0.50001058 <NA>
## 15 Dendritic cells activated Kruskal-Wallis 0.66104854 <NA>
## 16 Mast cells resting Kruskal-Wallis 0.04645090 IIA - IIB
## 17 Mast cells activated Kruskal-Wallis 0.57960537 <NA>
## 18 Eosinophils Kruskal-Wallis 0.42422114 <NA>
## 19 Neutrophils Kruskal-Wallis 0.58622131 <NA>## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_estadio, id.vars = c("ID", "Estadio"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Estadio)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
# Añadir significación manualmente
geom_signif(y_position = c(0.35, 0.48), xmin = c(1.7, 15.7), xmax = c(2.3, 16), annotation = c("*", "*"),
tip_length = 0.01)
# MCP-counter
## Preparar los datos
MCP_filtered <- MCP_r2[, colnames(MCP_r2) %in% Estadio$ID] # Seleccionar los valores de infiltración de los ID presentes en `Estadio`
inf_MCP_estadio <- as.data.frame(t(MCP_filtered))
inf_MCP_estadio$ID <- rownames(inf_MCP_estadio)
inf_MCP_estadio <- merge(inf_MCP_estadio, Estadio, by = "ID")
inf_MCP_estadio$Estadio <- as.factor(inf_MCP_estadio$Estadio)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP_estadio)[2:11]
result_MCP2 <- data.frame(TipoCelular = tipos_celulares, Test = NA, p_value = NA, Comparaciones = NA)
for (tipo in tipos_celulares) {
grupo_IIA <- inf_MCP_estadio[inf_MCP_estadio$Estadio == "IIA", tipo]
grupo_IIB <- inf_MCP_estadio[inf_MCP_estadio$Estadio == "IIB", tipo]
grupo_IIC <- inf_MCP_estadio[inf_MCP_estadio$Estadio == "IIC", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
normalidad <- all(
shapiro.test(grupo_IIA)$p.value > 0.05,
shapiro.test(grupo_IIB)$p.value > 0.05,
shapiro.test(grupo_IIC)$p.value > 0.05
)
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_IIA, grupo_IIB, grupo_IIC), grupo = rep(c("IIA", "IIB", "IIC"), times = c(length(grupo_IIA), length(grupo_IIB), length(grupo_IIC))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Si hay normalidad y homocedasticidad, usar ANOVA
if (normalidad && hom_var) {
test_result <- aov(get(tipo) ~ Estadio, data = inf_MCP_estadio)
p_valor <- summary(test_result)[[1]][["Pr(>F)"]][1]
result_MCP2[result_MCP2$TipoCelular == tipo, "Test"]<- "ANOVA"
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"]<- p_valor
# Si el resultado del ANOVA es significativo aplicar el Test HSD de Tukey
if(p_valor < 0.05) {
comparaciones <- TukeyHSD(test_result)$Estadio
comp_sig <- rownames(comparaciones)[comparaciones[, "p adj"] < 0.05]
result_MCP2[result_MCP2$TipoCelular == tipo, "Comparaciones"] <- paste(comp_sig, collapse = "; ")
}
} else {
# Si no hay normalidad y homocedasticidad, usar Kruskal Wallis
test_result <- kruskal.test(get(tipo) ~ Estadio, data = inf_MCP_estadio)
p_valor <- test_result$p.value
result_MCP2[result_MCP2$TipoCelular == tipo, "Test"]<- "Kruskal-Wallis"
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"]<- p_valor
# Si el resultado de Kruskal Wallis es significativo aplicar el test de Dunn ajustado con el método de bonferroni
if(p_valor < 0.05) {
comparaciones <- dunnTest(get(tipo) ~ Estadio, data = inf_MCP_estadio, method = "bonferroni")
comp_sig <- comparaciones$res$Comparison[comparaciones$res$P.unadj < 0.05]
result_MCP2[result_MCP2$TipoCelular == tipo, "Comparaciones"] <- paste(comp_sig, collapse = "; ")
}
}}
### Imprimir resultado
print(result_MCP2)## TipoCelular Test p_value Comparaciones
## 1 T cells ANOVA 0.61809870 <NA>
## 2 CD8 T cells Kruskal-Wallis 0.63735818 <NA>
## 3 Cytotoxic lymphocytes Kruskal-Wallis 0.64710374 <NA>
## 4 B lineage Kruskal-Wallis 0.26771893 <NA>
## 5 NK cells Kruskal-Wallis 0.79083351 <NA>
## 6 Monocytic lineage ANOVA 0.77051271 <NA>
## 7 Myeloid dendritic cells ANOVA 0.70420015 <NA>
## 8 Neutrophils ANOVA 0.02449752 IIB-IIA
## 9 Endothelial cells ANOVA 0.53269963 <NA>
## 10 Fibroblasts ANOVA 0.48143129 <NA>## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_estadio, id.vars = c("ID", "Estadio"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Estadio)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
# Añadir significación manualmente
geom_signif(y_position = 7.5, xmin = 7.7, xmax = 8, annotation = c("*"),
tip_length = 0.01)
# quanTIseq
## Preparar los datos
quant_filtered <- quantiseq_r2[, colnames(quantiseq_r2) %in% Estadio$ID] # Seleccionar los valores de infiltración de los ID presentes en `Estadio`
inf_quant_estadio <- as.data.frame(t(quant_filtered))
inf_quant_estadio$ID <- rownames(inf_quant_estadio)
inf_quant_estadio <- merge(inf_quant_estadio, Estadio, by = "ID")
inf_quant_estadio$Estadio <- as.factor(inf_quant_estadio$Estadio)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant_estadio)[2:12]
result_quant2 <- data.frame(TipoCelular = tipos_celulares, Test = NA, p_value = NA, Comparaciones = NA)
for (tipo in tipos_celulares) {
grupo_IIA <- inf_quant_estadio[inf_quant_estadio$Estadio == "IIA", tipo]
grupo_IIB <- inf_quant_estadio[inf_quant_estadio$Estadio == "IIB", tipo]
grupo_IIC <- inf_quant_estadio[inf_quant_estadio$Estadio == "IIC", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
normalidad <- all(
shapiro.test(grupo_IIA)$p.value > 0.05,
shapiro.test(grupo_IIB)$p.value > 0.05,
shapiro.test(grupo_IIC)$p.value > 0.05
)
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_IIA, grupo_IIB, grupo_IIC), grupo = rep(c("IIA", "IIB", "IIC"), times = c(length(grupo_IIA), length(grupo_IIB), length(grupo_IIC))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Si hay normalidad y homocedasticidad, usar ANOVA
if (normalidad && hom_var) {
test_result <- aov(get(tipo) ~ Estadio, data = inf_quant_estadio)
p_valor <- summary(test_result)[[1]][["Pr(>F)"]][1]
result_MCP2[result_MCP2$TipoCelular == tipo, "Test"]<- "ANOVA"
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"]<- p_valor
# Si el resultado del ANOVA es significativo aplicar el Test HSD de Tukey
if(p_valor < 0.05) {
comparaciones <- TukeyHSD(test_result)$Estadio
comp_sig <- rownames(comparaciones)[comparaciones[, "p adj"] < 0.05]
result_quant2[result_quant2$TipoCelular == tipo, "Comparaciones"] <- paste(comp_sig, collapse = "; ")
}
} else {
# Si no hay normalidad y homocedasticidad, usar Kruskal Wallis
test_result <- kruskal.test(get(tipo) ~ Estadio, data = inf_quant_estadio)
p_valor <- test_result$p.value
result_quant2[result_quant2$TipoCelular == tipo, "Test"]<- "Kruskal-Wallis"
result_quant2[result_quant2$TipoCelular == tipo, "p_value"]<- p_valor
# Si el resultado de Kruskal Wallis es significativo aplicar el test de Dunn ajustado con el método de bonferroni
if(p_valor < 0.05) {
comparaciones <- dunnTest(get(tipo) ~ Estadio, data = inf_quant_estadio, method = "bonferroni")
comp_sig <- comparaciones$res$Comparison[comparaciones$res$P.unadj < 0.05]
result_quant2[result_quant2$TipoCelular == tipo, "Comparaciones"] <- paste(comp_sig, collapse = "; ")
}
}}
### Imprimir resultado
print(result_quant2)## TipoCelular Test p_value Comparaciones
## 1 B.cells Kruskal-Wallis 0.4017246 NA
## 2 Macrophages.M1 Kruskal-Wallis 0.4228801 NA
## 3 Macrophages.M2 Kruskal-Wallis 0.4129690 NA
## 4 Monocytes Kruskal-Wallis 0.5649822 NA
## 5 Neutrophils Kruskal-Wallis 0.3248147 NA
## 6 NK.cells Kruskal-Wallis 0.7254277 NA
## 7 T.cells.CD4 Kruskal-Wallis 0.3175122 NA
## 8 T.cells.CD8 Kruskal-Wallis 0.7781130 NA
## 9 Tregs Kruskal-Wallis 0.9053761 NA
## 10 Dendritic.cells Kruskal-Wallis 0.7313703 NA
## 11 Other Kruskal-Wallis 0.4781734 NA## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_estadio, id.vars = c("ID", "Estadio"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Estadio)) +
geom_boxplot() +
labs(title = "QuanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1))
# ConsensusTME
## Preparar los datos
TME_filtered <- TME_r2_rep[, colnames(TME_r2_rep) %in% Estadio$ID] # Seleccionar los valores de infiltración de los ID presentes en `Estadio`
inf_TME_estadio <- as.data.frame(t(TME_filtered))
inf_TME_estadio$ID <- rownames(inf_TME_estadio)
inf_TME_estadio <- merge(inf_TME_estadio, Estadio, by = "ID")
inf_TME_estadio$Estadio <- as.factor(inf_TME_estadio$Estadio)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME_estadio)[2:19]
result_TME2 <- data.frame(TipoCelular = tipos_celulares, Test = NA, p_value = NA, Comparaciones = NA)
for (tipo in tipos_celulares) {
grupo_IIA <- inf_TME_estadio[inf_TME_estadio$Estadio == "IIA", tipo]
grupo_IIB <- inf_TME_estadio[inf_TME_estadio$Estadio == "IIB", tipo]
grupo_IIC <- inf_TME_estadio[inf_TME_estadio$Estadio == "IIC", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
normalidad <- all(
shapiro.test(grupo_IIA)$p.value > 0.05,
shapiro.test(grupo_IIB)$p.value > 0.05,
shapiro.test(grupo_IIC)$p.value > 0.05
)
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_IIA, grupo_IIB, grupo_IIC), grupo = rep(c("IIA", "IIB", "IIC"), times = c(length(grupo_IIA), length(grupo_IIB), length(grupo_IIC))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Si hay normalidad y homocedasticidad, usar ANOVA
if (normalidad && hom_var) {
test_result <- aov(get(tipo) ~ Estadio, data = inf_TME_estadio)
p_valor <- summary(test_result)[[1]][["Pr(>F)"]][1]
result_TME2[result_TME2$TipoCelular == tipo, "Test"]<- "ANOVA"
result_TME2[result_TME2$TipoCelular == tipo, "p_value"]<- p_valor
# Si el resultado del ANOVA es significativo aplicar el Test HSD de Tukey
if(p_valor < 0.05) {
comparaciones <- TukeyHSD(test_result)$Estadio
comp_sig <- rownames(comparaciones)[comparaciones[, "p adj"] < 0.05]
result_TME2[result_TME2$TipoCelular == tipo, "Comparaciones"] <- paste(comp_sig, collapse = "; ")
}
} else {
# Si no hay normalidad y homocedasticidad, usar Kruskal Wallis
test_result <- kruskal.test(get(tipo) ~ Estadio, data = inf_TME_estadio)
p_valor <- test_result$p.value
result_TME2[result_TME2$TipoCelular == tipo, "Test"]<- "Kruskal-Wallis"
result_TME2[result_TME2$TipoCelular == tipo, "p_value"]<- p_valor
# Si el resultado de Kruskal Wallis es significativo aplicar el test de Dunn ajustado con el método de bonferroni
if(p_valor < 0.05) {
comparaciones <- dunnTest(get(tipo) ~ Estadio, data = inf_TME_estadio, method = "bonferroni")
comp_sig <- comparaciones$res$Comparison[comparaciones$res$P.unadj < 0.05]
result_TME2[result_TME2$TipoCelular == tipo, "Comparaciones"] <- paste(comp_sig, collapse = "; ")
}
}}
### Imprimir resultado
print(result_TME2)## TipoCelular Test p_value Comparaciones
## 1 B_cells ANOVA 0.291977801 <NA>
## 2 Cytotoxic_cells Kruskal-Wallis 0.130770910 <NA>
## 3 Dendritic_cells ANOVA 0.655751830 <NA>
## 4 Eosinophils Kruskal-Wallis 0.090207073 <NA>
## 5 Macrophages ANOVA 0.383386975 <NA>
## 6 Mast_cells Kruskal-Wallis 0.791003005 <NA>
## 7 NK_cells Kruskal-Wallis 0.455032075 <NA>
## 8 Neutrophils ANOVA 0.007107486 IIB-IIA
## 9 T_cells_CD4 ANOVA 0.428349716 <NA>
## 10 T_cells_CD8 Kruskal-Wallis 0.353496734 <NA>
## 11 T_cells_gamma_delta Kruskal-Wallis 0.259074114 <NA>
## 12 T_regulatory_cells Kruskal-Wallis 0.601827880 <NA>
## 13 Macrophages_M1 Kruskal-Wallis 0.737761329 <NA>
## 14 Macrophages_M2 Kruskal-Wallis 0.384485946 <NA>
## 15 Endothelial Kruskal-Wallis 0.610388340 <NA>
## 16 Fibroblasts Kruskal-Wallis 0.441753463 <NA>
## 17 Monocytes ANOVA 0.021904632
## 18 Plasma_cells ANOVA 0.074155240 <NA>## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_estadio, id.vars = c("ID", "Estadio"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Estadio)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
# Añadir significación manualmente
geom_signif(y_position = 0.6, xmin = 7.7, xmax = 8, annotation = c("**"),
tip_length = 0.01)
Diferencias en la infiltración del sistema inmune en pacientes en estadio II que han sufrido o no recidivas.
# Preparar el dataframe Recidiva
Recidiva <- clinic2[, c("CÓDIGO IDENTIFICACIÓN", "Estadio_recod", "Recidiva")]
colnames(Recidiva) <- c("ID", "Estadio", "Recidiva")
Recidiva <- Recidiva[Recidiva$Estadio %in% "II", ] # Seleccionar pacientes en estadio II
Recidiva <- Recidiva[ ,-2] # Eliminar columna Estadio
Recidiva <- Recidiva[Recidiva$Recidiva %in% c("No", "Si"), ] # Descartar NA
# CIBERSORT
## Preparar los datos
cibersort_filtered <- cibersort_r2_rep[, colnames(cibersort_r2_rep) %in% Recidiva$ID]
inf_ciber_recid <- as.data.frame(t(cibersort_filtered))
inf_ciber_recid$ID <- rownames(inf_ciber_recid)
inf_ciber_recid <- merge(inf_ciber_recid, Recidiva, by = "ID")
inf_ciber_recid$Recidiva <- as.factor(inf_ciber_recid$Recidiva)
inf_ciber_recid <- inf_ciber_recid[ , -c(8,10,12)] # Descartar tipos celulares cuyos valores son idénticos
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber_recid)[2:20]
result_ciber2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_ciber_recid[inf_ciber_recid$Recidiva == "Si", tipo]
grupo_No <- inf_ciber_recid[inf_ciber_recid$Recidiva == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_ciber2$significacion <- cut(
result_ciber2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_recid, id.vars = c("ID", "Recidiva"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_ciber2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_ciber2$significacion[match(unique(infiltration_long$Cell_Type), result_ciber2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Recidiva)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0)
# MCP-counter
## Preparar los datos
MCP_filtered <- MCP_r2[, colnames(MCP_r2) %in% Recidiva$ID]
inf_MCP_recid <- as.data.frame(t(MCP_filtered))
inf_MCP_recid$ID <- rownames(inf_MCP_recid)
inf_MCP_recid <- merge(inf_MCP_recid, Recidiva, by = "ID")
inf_MCP_recid$Recidiva <- as.factor(inf_MCP_recid$Recidiva)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP_recid)[2:11]
result_MCP2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_MCP_recid[inf_MCP_recid$Recidiva == "Si", tipo]
grupo_No <- inf_MCP_recid[inf_MCP_recid$Recidiva == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_MCP2$significacion <- cut(
result_MCP2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_recid, id.vars = c("ID", "Recidiva"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_MCP2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_MCP2$significacion[match(unique(infiltration_long$Cell_Type), result_MCP2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Recidiva)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0)
# quanTIseq
## Preparar los datos
quant_filtered <- quantiseq_r2[, colnames(quantiseq_r2) %in% Recidiva$ID]
inf_quant_recid <- as.data.frame(t(quant_filtered))
inf_quant_recid$ID <- rownames(inf_quant_recid)
inf_quant_recid <- merge(inf_quant_recid, Recidiva, by = "ID")
inf_quant_recid$Recidiva <- as.factor(inf_quant_recid$Recidiva)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant_recid)[2:12]
result_quant2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_quant_recid[inf_quant_recid$Recidiva == "Si", tipo]
grupo_No <- inf_quant_recid[inf_quant_recid$Recidiva == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_quant2[result_quant2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_quant2$significacion <- cut(
result_quant2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_recid, id.vars = c("ID", "Recidiva"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_quant2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_quant2$significacion[match(unique(infiltration_long$Cell_Type), result_quant2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Recidiva)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0)
# ConsensusTME
## Preparar los datos
TME_filtered <- TME_r2_rep[, colnames(TME_r2_rep) %in% Recidiva$ID]
inf_TME_recid <- as.data.frame(t(TME_filtered))
inf_TME_recid$ID <- rownames(inf_TME_recid)
inf_TME_recid <- merge(inf_TME_recid, Recidiva, by = "ID")
inf_TME_recid$Recidiva <- as.factor(inf_TME_recid$Recidiva)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME_recid)[2:19]
result_TME2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_TME_recid[inf_TME_recid$Recidiva == "Si", tipo]
grupo_No <- inf_TME_recid[inf_TME_recid$Recidiva == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_TME2[result_TME2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_TME2$significacion <- cut(
result_TME2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_recid, id.vars = c("ID", "Recidiva"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_TME2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_TME2$significacion[match(unique(infiltration_long$Cell_Type), result_TME2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Recidiva)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0)
Relación entre los perfiles inmunes y las variables clínicas
Género
# Preparar el dataframe Sexo
Sexo <- clinic2[, c("CÓDIGO IDENTIFICACIÓN", "GENERO")]
colnames(Sexo) <- c("ID", "Género")
# CIBERSORT
## Preparar los datos
inf_ciber_sexo <- as.data.frame(t(cibersort_r2_rep))
inf_ciber_sexo[] <- lapply(inf_ciber_sexo, function(x) as.numeric(as.character(x)))
inf_ciber_sexo$ID <- rownames(inf_ciber_sexo)
inf_ciber_sexo <- merge(inf_ciber_sexo, Sexo, by = "ID")
inf_ciber_sexo$Género <- as.factor(inf_ciber_sexo$Género)
inf_ciber_sexo <- inf_ciber_sexo[ , -8] # Descartar tipos celulares cuyos valores son idénticos.
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber_sexo)[2:22]
result_ciber2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Mujer <- inf_ciber_sexo[inf_ciber_sexo$Género == "Mujer", tipo]
grupo_Hombre <- inf_ciber_sexo[inf_ciber_sexo$Género == "Hombre", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Mujer)$p.value > 0.05 && shapiro.test(grupo_Hombre)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Mujer, grupo_Hombre), grupo = rep(c("Mujer", "Hombre"), times = c(length(grupo_Mujer), length(grupo_Hombre))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Mujer, grupo_Hombre, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Mujer, grupo_Hombre, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Mujer, grupo_Hombre)
}
# Guardar el p-valor en el dataframe
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_ciber2$significacion <- cut(
result_ciber2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_sexo, id.vars = c("ID", "Género"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_ciber2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_ciber2$significacion[match(unique(infiltration_long$Cell_Type), result_ciber2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Género)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
ylim(NA, 0.7) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# MCP-counter
## Preparar los datos
inf_MCP_sexo <- as.data.frame(t(MCP_r2))
inf_MCP_sexo[] <- lapply(inf_MCP_sexo, function(x) as.numeric(as.character(x)))
inf_MCP_sexo$ID <- rownames(inf_MCP_sexo)
inf_MCP_sexo <- merge(inf_MCP_sexo, Sexo, by = "ID")
inf_MCP_sexo$Género <- as.factor(inf_MCP_sexo$Género)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP_sexo)[2:11]
result_MCP2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Mujer <- inf_MCP_sexo[inf_MCP_sexo$Género == "Mujer", tipo]
grupo_Hombre <- inf_MCP_sexo[inf_MCP_sexo$Género == "Hombre", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Mujer)$p.value > 0.05 && shapiro.test(grupo_Hombre)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Mujer, grupo_Hombre), grupo = rep(c("Mujer", "Hombre"), times = c(length(grupo_Mujer), length(grupo_Hombre))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Mujer, grupo_Hombre, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Mujer, grupo_Hombre, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Mujer, grupo_Hombre)
}
# Guardar el p-valor en el dataframe
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_MCP2$significacion <- cut(
result_MCP2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_sexo, id.vars = c("ID", "Género"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_MCP2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_MCP2$significacion[match(unique(infiltration_long$Cell_Type), result_MCP2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Género)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# quanTIseq
## Preparar los datos
inf_quant_sexo <- as.data.frame(t(quantiseq_r2))
inf_quant_sexo[] <- lapply(inf_quant_sexo, function(x) as.numeric(as.character(x)))
inf_quant_sexo$ID <- rownames(inf_quant_sexo)
inf_quant_sexo <- merge(inf_quant_sexo, Sexo, by = "ID")
inf_quant_sexo$Género <- as.factor(inf_quant_sexo$Género)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant_sexo)[2:12]
result_quant2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Mujer <- inf_quant_sexo[inf_quant_sexo$Género == "Mujer", tipo]
grupo_Hombre <- inf_quant_sexo[inf_quant_sexo$Género == "Hombre", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Mujer)$p.value > 0.05 && shapiro.test(grupo_Hombre)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Mujer, grupo_Hombre), grupo = rep(c("Mujer", "Hombre"), times = c(length(grupo_Mujer), length(grupo_Hombre))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Mujer, grupo_Hombre, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Mujer, grupo_Hombre, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Mujer, grupo_Hombre)
}
# Guardar el p-valor en el dataframe
result_quant2[result_quant2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_quant2$significacion <- cut(
result_quant2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_sexo, id.vars = c("ID", "Género"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_quant2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_quant2$significacion[match(unique(infiltration_long$Cell_Type), result_quant2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Género)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# ConsensusTME
## Preparar los datos
inf_TME_sexo <- as.data.frame(t(TME_r2_rep))
inf_TME_sexo[] <- lapply(inf_TME_sexo, function(x) as.numeric(as.character(x)))
inf_TME_sexo$ID <- rownames(inf_TME_sexo)
inf_TME_sexo <- merge(inf_TME_sexo, Sexo, by = "ID")
inf_TME_sexo$Género <- as.factor(inf_TME_sexo$Género)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME_sexo)[2:19]
result_TME2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Mujer <- inf_TME_sexo[inf_TME_sexo$Género == "Mujer", tipo]
grupo_Hombre <- inf_TME_sexo[inf_TME_sexo$Género == "Hombre", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Mujer)$p.value > 0.05 && shapiro.test(grupo_Hombre)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Mujer, grupo_Hombre), grupo = rep(c("Mujer", "Hombre"), times = c(length(grupo_Mujer), length(grupo_Hombre))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Mujer, grupo_Hombre, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Mujer, grupo_Hombre, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Mujer, grupo_Hombre)
}
# Guardar el p-valor en el dataframe
result_TME2[result_TME2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_TME2$significacion <- cut(
result_TME2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_sexo, id.vars = c("ID", "Género"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_TME2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_TME2$significacion[match(unique(infiltration_long$Cell_Type), result_TME2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Género)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
Edad
# Preparar el dataframe Edad
Edad <- data_clinic_clean[, c("CÓDIGO IDENTIFICACIÓN", "EDAD")]
colnames(Edad) <- c("ID", "Edad")
# CIBERSORT
## Preparar los datos
inf_ciber_edad <- as.data.frame(t(cibersort_r2_rep))
inf_ciber_edad[] <- lapply(inf_ciber_edad, function(x) as.numeric(as.character(x)))
inf_ciber_edad$ID <- rownames(inf_ciber_edad)
inf_ciber_edad <- merge(inf_ciber_edad, Edad, by = "ID")
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber_edad)[2:23]
result_ciber2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(inf_ciber_edad[[tipo]])$p.value > 0.05 && shapiro.test(inf_ciber_edad$Edad)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos <- data.frame(valor = c(inf_ciber_edad[[tipo]], inf_ciber_edad$Edad), grupo = rep(c("Tipo", "Edad"), times = c(length(inf_ciber_edad[[tipo]]), length(inf_ciber_edad$Edad))))
hom_var <- leveneTest(valor~grupo, data = datos)$`Pr(>F)`[1]>0.05
# Seleccionar el test de correlación según la distribución y la homogeneidad de varianzas
if (hom_var) {
# Si hay normalidad y homocedasticidad, usar Pearson
test_result <- cor.test(inf_ciber_edad[[tipo]], inf_ciber_edad$Edad, method = "pearson")
} else {
# Si no hay homocedasticidad, usar Spearman
test_result <- cor.test(inf_ciber_edad[[tipo]], inf_ciber_edad$Edad, method = "spearman")
}
} else {
# Si no hay normalidad, usar Spearman
test_result <- cor.test(inf_ciber_edad[[tipo]], inf_ciber_edad$Edad, method = "spearman")
}
# Guardar el p-valor en el dataframe
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Añadir etiquetas cuando el p-valor sea inferior a 0.05
result_ciber2$etiqueta <- ifelse(
result_ciber2$p_value < 0.05,
paste0("p = ", signif(result_ciber2$p_value, 2)), "")
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_edad, id.vars = c("ID", "Edad"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Unir etiquetas con datos largos
infiltration_long <- merge(
infiltration_long,
result_ciber2,
by.x = "Cell_Type",
by.y = "TipoCelular",
all.x = TRUE
)
### Crear el boxplot
ggplot(infiltration_long, aes(x = Edad, y = Infiltration, color = Cell_Type)) +
geom_point(alpha = 0.7) +
geom_smooth(method = "lm", se = TRUE, color = "black", linetype = "dashed") +
facet_wrap(~Cell_Type, scales = "free_y") +
labs(title = "CIBERSORT",
x = "Edad",
y = "Infiltración") +
theme(
axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.direction = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank(),
legend.key.size = unit(0.3, "cm"),
strip.text = element_text(size = 6)
) +
guides(color = guide_legend(ncol = 1)) +
geom_text(
aes(x = Inf, y = Inf, label = etiqueta),
inherit.aes = FALSE,
hjust = 3,
vjust = 14,
size = 2
)
# MCP-counter
## Preparar los datos
inf_MCP_edad <- as.data.frame(t(MCP_r2))
inf_MCP_edad[] <- lapply(inf_MCP_edad, function(x) as.numeric(as.character(x)))
inf_MCP_edad$ID <- rownames(inf_MCP_edad)
inf_MCP_edad <- merge(inf_MCP_edad, Edad, by = "ID")
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP_edad)[2:11]
result_MCP2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(inf_MCP_edad[[tipo]])$p.value > 0.05 && shapiro.test(inf_MCP_edad$Edad)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos <- data.frame(valor = c(inf_MCP_edad[[tipo]], inf_MCP_edad$Edad), grupo = rep(c("Tipo", "Edad"), times = c(length(inf_MCP_edad[[tipo]]), length(inf_MCP_edad$Edad))))
hom_var <- leveneTest(valor~grupo, data = datos)$`Pr(>F)`[1]>0.05
# Seleccionar el test de correlación según la distribución y la homogeneidad de varianzas
if (hom_var) {
# Si hay normalidad y homocedasticidad, usar Pearson
test_result <- cor.test(inf_MCP_edad[[tipo]], inf_MCP_edad$Edad, method = "pearson")
} else {
# Si no hay homocedasticidad, usar Spearman
test_result <- cor.test(inf_MCP_edad[[tipo]], inf_MCP_edad$Edad, method = "spearman")
}
} else {
# Si no hay normalidad, usar Spearman
test_result <- cor.test(inf_MCP_edad[[tipo]], inf_MCP_edad$Edad, method = "spearman")
}
# Guardar el p-valor en el dataframe
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Añadir etiquetas cuando el p-valor sea inferior a 0.05
result_MCP2$etiqueta <- ifelse(
result_MCP2$p_value < 0.05,
paste0("p = ", signif(result_MCP2$p_value, 2)), "")
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_edad, id.vars = c("ID", "Edad"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Unir etiquetas con datos largos
infiltration_long <- merge(
infiltration_long,
result_MCP2,
by.x = "Cell_Type",
by.y = "TipoCelular",
all.x = TRUE
)
### Crear el boxplot
ggplot(infiltration_long, aes(x = Edad, y = Infiltration, color = Cell_Type)) +
geom_point(alpha = 0.7) +
geom_smooth(method = "lm", se = TRUE, color = "black", linetype = "dashed") +
facet_wrap(~Cell_Type, scales = "free_y") +
labs(title = "MCP counter",
x = "Edad",
y = "Infiltración") +
theme(
axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.direction = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank(),
legend.key.size = unit(0.3, "cm"),
strip.text = element_text(size = 6)
) +
geom_text(
aes(x = Inf, y = Inf, label = etiqueta),
inherit.aes = FALSE,
hjust = 3,
vjust = 14,
size = 2
)
# quanTIseq
## Preparar los datos
inf_quant_edad <- as.data.frame(t(quantiseq_r2))
inf_quant_edad[] <- lapply(inf_quant_edad, function(x) as.numeric(as.character(x)))
inf_quant_edad$ID <- rownames(inf_quant_edad)
inf_quant_edad <- merge(inf_quant_edad, Edad, by = "ID")
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant_edad)[2:12]
result_quant2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(inf_quant_edad[[tipo]])$p.value > 0.05 && shapiro.test(inf_quant_edad$Edad)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos <- data.frame(valor = c(inf_quant_edad[[tipo]], inf_quant_edad$Edad), grupo = rep(c("Tipo", "Edad"), times = c(length(inf_quant_edad[[tipo]]), length(inf_quant_edad$Edad))))
hom_var <- leveneTest(valor~grupo, data = datos)$`Pr(>F)`[1]>0.05
# Seleccionar el test de correlación según la distribución y la homogeneidad de varianzas
if (hom_var) {
# Si hay normalidad y homocedasticidad, usar Pearson
test_result <- cor.test(inf_quant_edad[[tipo]], inf_quant_edad$Edad, method = "pearson")
} else {
# Si no hay homocedasticidad, usar Spearman
test_result <- cor.test(inf_quant_edad[[tipo]], inf_quant_edad$Edad, method = "spearman")
}
} else {
# Si no hay normalidad, usar Spearman
test_result <- cor.test(inf_quant_edad[[tipo]], inf_quant_edad$Edad, method = "spearman")
}
# Guardar el p-valor en el dataframe
result_quant2[result_quant2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Añadir etiquetas cuando el p-valor sea inferior a 0.05
result_quant2$etiqueta <- ifelse(
result_quant2$p_value < 0.05,
paste0("p = ", signif(result_quant2$p_value, 2)), "")
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_edad, id.vars = c("ID", "Edad"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Unir etiquetas con datos largos
infiltration_long <- merge(
infiltration_long,
result_quant2,
by.x = "Cell_Type",
by.y = "TipoCelular",
all.x = TRUE
)
### Crear el boxplot
ggplot(infiltration_long, aes(x = Edad, y = Infiltration, color = Cell_Type)) +
geom_point(alpha = 0.7) +
geom_smooth(method = "lm", se = TRUE, color = "black", linetype = "dashed") +
facet_wrap(~Cell_Type, scales = "free_y") +
labs(title = "quanTIseq",
x = "Edad",
y = "Infiltración") +
theme(
axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.direction = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank(),
legend.key.size = unit(0.3, "cm"),
strip.text = element_text(size = 6)
) +
geom_text(
aes(x = Inf, y = Inf, label = etiqueta),
inherit.aes = FALSE,
hjust = 3,
vjust = 14,
size = 2
)
# ConsensusTME
## Preparar los datos
inf_TME_edad <- as.data.frame(t(TME_r2_rep))
inf_TME_edad[] <- lapply(inf_TME_edad, function(x) as.numeric(as.character(x)))
inf_TME_edad$ID <- rownames(inf_TME_edad)
inf_TME_edad <- merge(inf_TME_edad, Edad, by = "ID")
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME_edad)[2:19]
result_TME2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(inf_TME_edad[[tipo]])$p.value > 0.05 && shapiro.test(inf_TME_edad$Edad)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos <- data.frame(valor = c(inf_TME_edad[[tipo]], inf_TME_edad$Edad), grupo = rep(c("Tipo", "Edad"), times = c(length(inf_TME_edad[[tipo]]), length(inf_TME_edad$Edad))))
hom_var <- leveneTest(valor~grupo, data = datos)$`Pr(>F)`[1]>0.05
# Seleccionar el test de correlación según la distribución y la homogeneidad de varianzas
if (hom_var) {
# Si hay normalidad y homocedasticidad, usar Pearson
test_result <- cor.test(inf_TME_edad[[tipo]], inf_TME_edad$Edad, method = "pearson")
} else {
# Si no hay homocedasticidad, usar Spearman
test_result <- cor.test(inf_TME_edad[[tipo]], inf_TME_edad$Edad, method = "spearman")
}
} else {
# Si no hay normalidad, usar Spearman
test_result <- cor.test(inf_TME_edad[[tipo]], inf_TME_edad$Edad, method = "spearman")
}
# Guardar el p-valor en el dataframe
result_TME2[result_TME2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Añadir etiquetas cuando el p-valor sea inferior a 0.05
result_TME2$etiqueta <- ifelse(
result_TME2$p_value < 0.05,
paste0("p = ", signif(result_TME2$p_value, 2)), "")
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_edad, id.vars = c("ID", "Edad"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Unir etiquetas con datos largos
infiltration_long <- merge(
infiltration_long,
result_TME2,
by.x = "Cell_Type",
by.y = "TipoCelular",
all.x = TRUE
)
### Crear el boxplot
ggplot(infiltration_long, aes(x = Edad, y = Infiltration, color = Cell_Type)) +
geom_point(alpha = 0.7) +
geom_smooth(method = "lm", se = TRUE, color = "black", linetype = "dashed") +
facet_wrap(~Cell_Type, scales = "free_y") +
labs(title = "ConsensusTME",
x = "Edad",
y = "Infiltración") +
theme(
axis.text.x = element_blank(),
legend.position = "right",
legend.box = "vertical",
legend.direction = "vertical",
legend.text = element_text(size = 6),
legend.title = element_blank(),
legend.key.size = unit(0.3, "cm"),
strip.text = element_text(size = 6)
) +
geom_text(
aes(x = Inf, y = Inf, label = etiqueta),
inherit.aes = FALSE,
hjust = 2.2,
vjust = 10,
size = 2
)
Grado
# Preparar el dataframe Grado
Grado <- clinic2[, c("CÓDIGO IDENTIFICACIÓN", "Grado")]
colnames(Grado) <- c("ID", "Grado")
Grado <- Grado[Grado$Grado %in% c("Alto", "Bajo"), ] # Descartar los pacientes con tumores no gradables
# CIBERSORT
## Preparar los datos
cibersort_filtered <- cibersort_r2_rep[, colnames(cibersort_r2_rep) %in% Grado$ID]
inf_ciber_grado <- as.data.frame(t(cibersort_filtered))
inf_ciber_grado$ID <- rownames(inf_ciber_grado)
inf_ciber_grado <- merge(inf_ciber_grado, Grado, by = "ID")
inf_ciber_grado$Grado <- as.factor(inf_ciber_grado$Grado)
inf_ciber_grado <- inf_ciber_grado[ , -8] # Descartar tipos celulares cuyos valores son idénticos.
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber_grado)[2:22]
result_ciber2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Alto <- inf_ciber_grado[inf_ciber_grado$Grado == "Alto", tipo]
grupo_Bajo <- inf_ciber_grado[inf_ciber_grado$Grado == "Bajo", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Alto)$p.value > 0.05 && shapiro.test(grupo_Bajo)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Alto, grupo_Bajo), grupo = rep(c("Alto", "Bajo"), times = c(length(grupo_Alto), length(grupo_Bajo))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Alto, grupo_Bajo, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Alto, grupo_Bajo, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Alto, grupo_Bajo)
}
# Guardar el p-valor en el dataframe
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_ciber2$significacion <- cut(
result_ciber2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_grado, id.vars = c("ID", "Grado"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_ciber2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_ciber2$significacion[match(unique(infiltration_long$Cell_Type), result_ciber2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Grado)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
ylim(NA, 0.7) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# MCP-counter
## Preparar los datos
MCP_filtered <- MCP_r2[, colnames(MCP_r2) %in% Grado$ID]
inf_MCP_grado <- as.data.frame(t(MCP_filtered))
inf_MCP_grado$ID <- rownames(inf_MCP_grado)
inf_MCP_grado <- merge(inf_MCP_grado, Grado, by = "ID")
inf_MCP_grado$Grado <- as.factor(inf_MCP_grado$Grado)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP_grado)[2:11]
result_MCP2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Alto <- inf_MCP_grado[inf_MCP_grado$Grado == "Alto", tipo]
grupo_Bajo <- inf_MCP_grado[inf_MCP_grado$Grado == "Bajo", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Alto)$p.value > 0.05 && shapiro.test(grupo_Bajo)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Alto, grupo_Bajo), grupo = rep(c("Alto", "Bajo"), times = c(length(grupo_Alto), length(grupo_Bajo))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Alto, grupo_Bajo, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Alto, grupo_Bajo, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Alto, grupo_Bajo)
}
# Guardar el p-valor en el dataframe
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_MCP2$significacion <- cut(
result_MCP2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_grado, id.vars = c("ID", "Grado"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_MCP2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_MCP2$significacion[match(unique(infiltration_long$Cell_Type), result_MCP2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Grado)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# quanTIseq
## Preparar los datos
quant_filtered <- quantiseq_r2[, colnames(quantiseq_r2) %in% Grado$ID]
inf_quant_grado <- as.data.frame(t(quant_filtered))
inf_quant_grado$ID <- rownames(inf_quant_grado)
inf_quant_grado <- merge(inf_quant_grado, Grado, by = "ID")
inf_quant_grado$Grado <- as.factor(inf_quant_grado$Grado)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant_grado)[2:12]
result_quant2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Alto <- inf_quant_grado[inf_quant_grado$Grado == "Alto", tipo]
grupo_Bajo <- inf_quant_grado[inf_quant_grado$Grado == "Bajo", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Alto)$p.value > 0.05 && shapiro.test(grupo_Bajo)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Alto, grupo_Bajo), grupo = rep(c("Alto", "Bajo"), times = c(length(grupo_Alto), length(grupo_Bajo))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Alto, grupo_Bajo, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Alto, grupo_Bajo, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Alto, grupo_Bajo)
}
# Guardar el p-valor en el dataframe
result_quant2[result_quant2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_quant2$significacion <- cut(
result_quant2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_grado, id.vars = c("ID", "Grado"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_quant2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_quant2$significacion[match(unique(infiltration_long$Cell_Type), result_quant2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Grado)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# ConsensusTME
## Preparar los datos
TME_filtered <- TME_r2_rep[, colnames(TME_r2_rep) %in% Grado$ID]
inf_TME_grado <- as.data.frame(t(TME_filtered))
inf_TME_grado$ID <- rownames(inf_TME_grado)
inf_TME_grado <- merge(inf_TME_grado, Grado, by = "ID")
inf_TME_grado$Grado <- as.factor(inf_TME_grado$Grado)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME_grado)[2:19]
result_TME2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Alto <- inf_TME_grado[inf_TME_grado$Grado == "Alto", tipo]
grupo_Bajo <- inf_TME_grado[inf_TME_grado$Grado == "Bajo", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Alto)$p.value > 0.05 && shapiro.test(grupo_Bajo)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Alto, grupo_Bajo), grupo = rep(c("Alto", "Bajo"), times = c(length(grupo_Alto), length(grupo_Bajo))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Alto, grupo_Bajo, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Alto, grupo_Bajo, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Alto, grupo_Bajo)
}
# Guardar el p-valor en el dataframe
result_TME2[result_TME2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_TME2$significacion <- cut(
result_TME2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_grado, id.vars = c("ID", "Grado"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_TME2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_TME2$significacion[match(unique(infiltration_long$Cell_Type), result_TME2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Grado)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
Invasión linfática
# Preparar el dataframe Inv_linfatica
Inv_linfatica <- data_clinic_clean[, c("CÓDIGO IDENTIFICACIÓN", "Invasión Linfatica")]
colnames(Inv_linfatica) <- c("ID", "Invasión Linfática")
Inv_linfatica <- Inv_linfatica[Inv_linfatica$`Invasión Linfática` %in% c("Si", "No"), ] # Descartar los datos NA
# CIBERSORT
## Preparar los datos
cibersort_filtered <- cibersort_r2_rep[, colnames(cibersort_r2_rep) %in% Inv_linfatica$ID]
inf_ciber_il <- as.data.frame(t(cibersort_filtered))
inf_ciber_il$ID <- rownames(inf_ciber_il)
inf_ciber_il <- merge(inf_ciber_il, Inv_linfatica, by = "ID")
inf_ciber_il$`Invasión Linfática` <- as.factor(inf_ciber_il$`Invasión Linfática`)
inf_ciber_il <- inf_ciber_il[ , -8] # Descartar tipos celulares cuyos valores son idénticos
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber_il)[2:22]
result_ciber2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_ciber_il[inf_ciber_il$`Invasión Linfática` == "Si", tipo]
grupo_No <- inf_ciber_il[inf_ciber_il$`Invasión Linfática` == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_ciber2$significacion <- cut(
result_ciber2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_il, id.vars = c("ID", "Invasión Linfática"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_ciber2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_ciber2$significacion[match(unique(infiltration_long$Cell_Type), result_ciber2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = `Invasión Linfática`)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
ylim(NA, 0.7) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# MCP-counter
## Preparar los datos
MCP_filtered <- MCP_r2[, colnames(MCP_r2) %in% Inv_linfatica$ID]
inf_MCP_il <- as.data.frame(t(MCP_filtered))
inf_MCP_il$ID <- rownames(inf_MCP_il)
inf_MCP_il <- merge(inf_MCP_il, Inv_linfatica, by = "ID")
inf_MCP_il$`Invasión Linfática` <- as.factor(inf_MCP_il$`Invasión Linfática`)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP_il)[2:11]
result_MCP2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_MCP_il[inf_MCP_il$`Invasión Linfática` == "Si", tipo]
grupo_No <- inf_MCP_il[inf_MCP_il$`Invasión Linfática` == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_MCP2$significacion <- cut(
result_MCP2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_il, id.vars = c("ID", "Invasión Linfática"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_MCP2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_MCP2$significacion[match(unique(infiltration_long$Cell_Type), result_MCP2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = `Invasión Linfática`)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# quanTIseq
## Preparar los datos
quantiseq_filtered <- quantiseq_r2[, colnames(quantiseq_r2) %in% Inv_linfatica$ID]
inf_quant_il <- as.data.frame(t(quantiseq_filtered))
inf_quant_il$ID <- rownames(inf_quant_il)
inf_quant_il <- merge(inf_quant_il, Inv_linfatica, by = "ID")
inf_quant_il$`Invasión Linfática` <- as.factor(inf_quant_il$`Invasión Linfática`)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant_il)[2:12]
result_quant2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_quant_il[inf_quant_il$`Invasión Linfática` == "Si", tipo]
grupo_No <- inf_quant_il[inf_quant_il$`Invasión Linfática` == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_quant2[result_quant2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_quant2$significacion <- cut(
result_quant2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_il, id.vars = c("ID", "Invasión Linfática"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_quant2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_quant2$significacion[match(unique(infiltration_long$Cell_Type), result_quant2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = `Invasión Linfática`)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# ConsensusTME
## Preparar los datos
TME_filtered <- TME_r2_rep[, colnames(TME_r2_rep) %in% Inv_linfatica$ID]
inf_TME_il <- as.data.frame(t(TME_filtered))
inf_TME_il$ID <- rownames(inf_TME_il)
inf_TME_il <- merge(inf_TME_il, Inv_linfatica, by = "ID")
inf_TME_il$`Invasión Linfática` <- as.factor(inf_TME_il$`Invasión Linfática`)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME_il)[2:19]
result_TME2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_TME_il[inf_TME_il$`Invasión Linfática` == "Si", tipo]
grupo_No <- inf_TME_il[inf_TME_il$`Invasión Linfática` == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_TME2[result_TME2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_TME2$significacion <- cut(
result_TME2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_il, id.vars = c("ID", "Invasión Linfática"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_TME2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_TME2$significacion[match(unique(infiltration_long$Cell_Type), result_TME2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = `Invasión Linfática`)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
Quimioterapia adyuvante
# Preparar el dataframe QTady
QTady <- clinic2[, c("CÓDIGO IDENTIFICACIÓN", "QT adyuvante")]
colnames(QTady) <- c("ID", "QT adyuvante")
# CIBERSORT
## Preparar los datos
inf_ciber_qt <- as.data.frame(t(cibersort_r2_rep))
inf_ciber_qt[] <- lapply(inf_ciber_qt, function(x) as.numeric(as.character(x)))
inf_ciber_qt$ID <- rownames(inf_ciber_qt)
inf_ciber_qt <- merge(inf_ciber_qt, QTady, by = "ID")
inf_ciber_qt$`QT adyuvante` <- as.factor(inf_ciber_qt$`QT adyuvante`)
inf_ciber_qt <- inf_ciber_qt[ , -8] # Descartar tipos celulares cuyos valores son idénticos
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber_qt)[2:22]
result_ciber2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_ciber_qt[inf_ciber_qt$`QT adyuvante` == "Si", tipo]
grupo_No <- inf_ciber_qt[inf_ciber_qt$`QT adyuvante` == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_ciber2$significacion <- cut(
result_ciber2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_qt, id.vars = c("ID", "QT adyuvante"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_ciber2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_ciber2$significacion[match(unique(infiltration_long$Cell_Type), result_ciber2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = `QT adyuvante`)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
ylim(NA, 0.7) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# MCP-counter
## Preparar los datos
inf_MCP_qt <- as.data.frame(t(MCP_r2))
inf_MCP_qt[] <- lapply(inf_MCP_qt, function(x) as.numeric(as.character(x)))
inf_MCP_qt$ID <- rownames(inf_MCP_qt)
inf_MCP_qt <- merge(inf_MCP_qt, QTady, by = "ID")
inf_MCP_qt$`QT adyuvante` <- as.factor(inf_MCP_qt$`QT adyuvante`)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP_qt)[2:11]
result_MCP2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_MCP_qt[inf_MCP_qt$`QT adyuvante` == "Si", tipo]
grupo_No <- inf_MCP_qt[inf_MCP_qt$`QT adyuvante` == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_MCP2$significacion <- cut(
result_MCP2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_qt, id.vars = c("ID", "QT adyuvante"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_MCP2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_MCP2$significacion[match(unique(infiltration_long$Cell_Type), result_MCP2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = `QT adyuvante`)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# quanTIseq
## Preparar los datos
inf_quant_qt <- as.data.frame(t(quantiseq_r2))
inf_quant_qt[] <- lapply(inf_quant_qt, function(x) as.numeric(as.character(x)))
inf_quant_qt$ID <- rownames(inf_quant_qt)
inf_quant_qt <- merge(inf_quant_qt, QTady, by = "ID")
inf_quant_qt$`QT adyuvante` <- as.factor(inf_quant_qt$`QT adyuvante`)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant_qt)[2:12]
result_quant2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_quant_qt[inf_quant_qt$`QT adyuvante` == "Si", tipo]
grupo_No <- inf_quant_qt[inf_quant_qt$`QT adyuvante` == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_quant2[result_quant2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_quant2$significacion <- cut(
result_quant2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_qt, id.vars = c("ID", "QT adyuvante"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_quant2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_quant2$significacion[match(unique(infiltration_long$Cell_Type), result_quant2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = `QT adyuvante`)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
) 
# ConsensusTME
## Preparar los datos
inf_TME_qt <- as.data.frame(t(TME_r2_rep))
inf_TME_qt[] <- lapply(inf_TME_qt, function(x) as.numeric(as.character(x)))
inf_TME_qt$ID <- rownames(inf_TME_qt)
inf_TME_qt <- merge(inf_TME_qt, QTady, by = "ID")
inf_TME_qt$`QT adyuvante` <- as.factor(inf_TME_qt$`QT adyuvante`)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME_qt)[2:19]
result_TME2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_Si <- inf_TME_qt[inf_TME_qt$`QT adyuvante` == "Si", tipo]
grupo_No <- inf_TME_qt[inf_TME_qt$`QT adyuvante` == "No", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_Si)$p.value > 0.05 && shapiro.test(grupo_No)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_Si, grupo_No), grupo = rep(c("Si", "No"), times = c(length(grupo_Si), length(grupo_No))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_Si, grupo_No, var.equal = TRUE)
} else {
test_result <- t.test(grupo_Si, grupo_No, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_Si, grupo_No)
}
# Guardar el p-valor en el dataframe
result_TME2[result_TME2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_TME2$significacion <- cut(
result_TME2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_qt, id.vars = c("ID", "QT adyuvante"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_TME2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_TME2$significacion[match(unique(infiltration_long$Cell_Type), result_TME2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = `QT adyuvante`)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
Inestabilidad de microsatélites
Dado que los dos conjuntos de datos contienen información sobre la inestabilidad de microsatélites, en este caso, se han utilizado ambos para realizar la comparativa.
Dataset1
# Preparar el dataframe MSI
MSI <- clinic1[, c("ID", "msi_imputed")]
colnames(MSI) <- c("ID", "MSI")
# CIBERSORT
## Preparar los datos
inf_ciber1_msi <- as.data.frame(t(cibersort_r1_rep))
inf_ciber1_msi[] <- lapply(inf_ciber1_msi, function(x) as.numeric(as.character(x)))
inf_ciber1_msi$ID <- rownames(inf_ciber1_msi)
inf_ciber1_msi <- merge(inf_ciber1_msi, MSI, by = "ID")
inf_ciber1_msi$MSI <- as.factor(inf_ciber1_msi$MSI)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber1_msi)[2:23]
result_ciber1 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_MSI <- inf_ciber1_msi[inf_ciber1_msi$MSI == "MSI", tipo]
grupo_MSS <- inf_ciber1_msi[inf_ciber1_msi$MSI == "MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_MSI)$p.value > 0.05 && shapiro.test(grupo_MSS)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_MSI, grupo_MSS), grupo = rep(c("MSI", "MSS"), times = c(length(grupo_MSI), length(grupo_MSS))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = TRUE)
} else {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_MSI, grupo_MSS)
}
# Guardar el p-valor en el dataframe
result_ciber1[result_ciber1$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_ciber1$significacion <- cut(
result_ciber1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber1_msi, id.vars = c("ID", "MSI"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_ciber1), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_ciber1$significacion[match(unique(infiltration_long$Cell_Type), result_ciber1$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = MSI)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
ylim(NA, 0.6) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# MCP-counter
## Preparar los datos
inf_MCP1_msi <- as.data.frame(t(MCP_r1))
inf_MCP1_msi[] <- lapply(inf_MCP1_msi, function(x) as.numeric(as.character(x)))
inf_MCP1_msi$ID <- rownames(inf_MCP1_msi)
inf_MCP1_msi <- merge(inf_MCP1_msi, MSI, by = "ID")
inf_MCP1_msi$MSI <- as.factor(inf_MCP1_msi$MSI)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP1_msi)[2:11]
result_MCP1 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_MSI <- inf_MCP1_msi[inf_MCP1_msi$MSI == "MSI", tipo]
grupo_MSS <- inf_MCP1_msi[inf_MCP1_msi$MSI == "MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_MSI)$p.value > 0.05 && shapiro.test(grupo_MSS)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_MSI, grupo_MSS), grupo = rep(c("MSI", "MSS"), times = c(length(grupo_MSI), length(grupo_MSS))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = TRUE)
} else {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_MSI, grupo_MSS)
}
# Guardar el p-valor en el dataframe
result_MCP1[result_MCP1$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_MCP1$significacion <- cut(
result_MCP1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP1_msi, id.vars = c("ID", "MSI"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_MCP1), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_MCP1$significacion[match(unique(infiltration_long$Cell_Type), result_MCP1$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = MSI)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
ylim(NA, 13) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# quanTIseq
## Preparar los datos
inf_quant1_msi <- as.data.frame(t(quantiseq_r1))
inf_quant1_msi[] <- lapply(inf_quant1_msi, function(x) as.numeric(as.character(x)))
inf_quant1_msi$ID <- rownames(inf_quant1_msi)
inf_quant1_msi <- merge(inf_quant1_msi, MSI, by = "ID")
inf_quant1_msi$MSI <- as.factor(inf_quant1_msi$MSI)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant1_msi)[2:12]
result_quant1 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_MSI <- inf_quant1_msi[inf_quant1_msi$MSI == "MSI", tipo]
grupo_MSS <- inf_quant1_msi[inf_quant1_msi$MSI == "MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_MSI)$p.value > 0.05 && shapiro.test(grupo_MSS)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_MSI, grupo_MSS), grupo = rep(c("MSI", "MSS"), times = c(length(grupo_MSI), length(grupo_MSS))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = TRUE)
} else {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_MSI, grupo_MSS)
}
# Guardar el p-valor en el dataframe
result_quant1[result_quant1$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_quant1$significacion <- cut(
result_quant1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant1_msi, id.vars = c("ID", "MSI"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_quant1), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_quant1$significacion[match(unique(infiltration_long$Cell_Type), result_quant1$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = MSI)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# ConsensusTME
## Preparar los datos
inf_TME1_msi <- as.data.frame(t(TME_r1_rep))
inf_TME1_msi[] <- lapply(inf_TME1_msi, function(x) as.numeric(as.character(x)))
inf_TME1_msi$ID <- rownames(inf_TME1_msi)
inf_TME1_msi <- merge(inf_TME1_msi, MSI, by = "ID")
inf_TME1_msi$MSI <- as.factor(inf_TME1_msi$MSI)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_TME1_msi)[2:19]
result_TME1 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_MSI <- inf_TME1_msi[inf_TME1_msi$MSI == "MSI", tipo]
grupo_MSS <- inf_TME1_msi[inf_TME1_msi$MSI == "MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_MSI)$p.value > 0.05 && shapiro.test(grupo_MSS)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_MSI, grupo_MSS), grupo = rep(c("MSI", "MSS"), times = c(length(grupo_MSI), length(grupo_MSS))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = TRUE)
} else {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_MSI, grupo_MSS)
}
# Guardar el p-valor en el dataframe
result_TME1[result_TME1$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_TME1$significacion <- cut(
result_TME1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME1_msi, id.vars = c("ID", "MSI"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_TME1), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_TME1$significacion[match(unique(infiltration_long$Cell_Type), result_TME1$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = MSI)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
Dataset2
# Preparar el dataframe MSI
MSI <- clinic2[, c("CÓDIGO IDENTIFICACIÓN", "MSI")]
colnames(MSI) <- c("ID", "MSI")
MSI <- MSI[MSI$MSI %in% c("MSI-H","MSS"), ] # Descartar los valores `MSI-UK`
# CIBERSORT
## Preparar los datos
ciber_filtered <- cibersort_r2_rep[, colnames(cibersort_r2_rep) %in% MSI$ID]
inf_ciber2_msi <- as.data.frame(t(ciber_filtered))
inf_ciber2_msi$ID <- rownames(inf_ciber2_msi)
inf_ciber2_msi <- merge(inf_ciber2_msi, MSI, by = "ID")
inf_ciber2_msi$MSI <- as.factor(inf_ciber2_msi$MSI)
inf_ciber2_msi <- inf_ciber2_msi[ , -c(8,12)]
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_ciber2_msi)[2:21]
result_ciber2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_MSI <- inf_ciber2_msi[inf_ciber2_msi$MSI == "MSI-H", tipo]
grupo_MSS <- inf_ciber2_msi[inf_ciber2_msi$MSI == "MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_MSI)$p.value > 0.05 && shapiro.test(grupo_MSS)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_MSI, grupo_MSS), grupo = rep(c("MSI", "MSS"), times = c(length(grupo_MSI), length(grupo_MSS))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = TRUE)
} else {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_MSI, grupo_MSS)
}
# Guardar el p-valor en el dataframe
result_ciber2[result_ciber2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_ciber2$significacion <- cut(
result_ciber2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber2_msi, id.vars = c("ID", "MSI"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_ciber2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_ciber2$significacion[match(unique(infiltration_long$Cell_Type), result_ciber2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = MSI)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
#ylim(NA, 0.6) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# MCP-counter
## Preparar los datos
MCP_filtered <- MCP_r2[, colnames(MCP_r2) %in% MSI$ID]
inf_MCP2_msi <- as.data.frame(t(MCP_filtered))
inf_MCP2_msi$ID <- rownames(inf_MCP2_msi)
inf_MCP2_msi <- merge(inf_MCP2_msi, MSI, by = "ID")
inf_MCP2_msi$MSI <- as.factor(inf_MCP2_msi$MSI)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_MCP2_msi)[2:11]
result_MCP2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_MSI <- inf_MCP2_msi[inf_MCP2_msi$MSI == "MSI-H", tipo]
grupo_MSS <- inf_MCP2_msi[inf_MCP2_msi$MSI == "MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_MSI)$p.value > 0.05 && shapiro.test(grupo_MSS)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_MSI, grupo_MSS), grupo = rep(c("MSI", "MSS"), times = c(length(grupo_MSI), length(grupo_MSS))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = TRUE)
} else {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_MSI, grupo_MSS)
}
# Guardar el p-valor en el dataframe
result_MCP2[result_MCP2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_MCP2$significacion <- cut(
result_MCP2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP2_msi, id.vars = c("ID", "MSI"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_MCP2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_MCP2$significacion[match(unique(infiltration_long$Cell_Type), result_MCP2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = MSI)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# quanTIseq
## Preparar los datos
quant_filtered <- quantiseq_r2[, colnames(quantiseq_r2) %in% MSI$ID]
inf_quant2_msi <- as.data.frame(t(quant_filtered))
inf_quant2_msi$ID <- rownames(inf_quant2_msi)
inf_quant2_msi <- merge(inf_quant2_msi, MSI, by = "ID")
inf_quant2_msi$MSI <- as.factor(inf_quant2_msi$MSI)
## Calcular si hay diferencias significativas
tipos_celulares <- names(inf_quant2_msi)[2:12]
result_quant2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_MSI <- inf_quant2_msi[inf_quant2_msi$MSI == "MSI-H", tipo]
grupo_MSS <- inf_quant2_msi[inf_quant2_msi$MSI == "MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_MSI)$p.value > 0.05 && shapiro.test(grupo_MSS)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_MSI, grupo_MSS), grupo = rep(c("MSI", "MSS"), times = c(length(grupo_MSI), length(grupo_MSS))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = TRUE)
} else {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_MSI, grupo_MSS)
}
# Guardar el p-valor en el dataframe
result_quant2[result_quant2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_quant2$significacion <- cut(
result_quant1$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant2_msi, id.vars = c("ID", "MSI"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_quant2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_quant2$significacion[match(unique(infiltration_long$Cell_Type), result_quant2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = MSI)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
# ConsensusTME
## Preparar los datos
TME_filtered <- TME_r2_rep[, colnames(TME_r2_rep) %in% MSI$ID]
inf_TME2_msi <- as.data.frame(t(TME_filtered))
inf_TME2_msi$ID <- rownames(inf_TME2_msi)
inf_TME2_msi <- merge(inf_TME2_msi, MSI, by = "ID")
inf_TME2_msi$MSI <- as.factor(inf_TME2_msi$MSI)
## Calcular si hay diferencias significativas.
tipos_celulares <- names(inf_TME2_msi)[2:19]
result_TME2 <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_MSI <- inf_TME2_msi[inf_TME2_msi$MSI == "MSI-H", tipo]
grupo_MSS <- inf_TME2_msi[inf_TME2_msi$MSI == "MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_MSI)$p.value > 0.05 && shapiro.test(grupo_MSS)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor = c(grupo_MSI, grupo_MSS), grupo = rep(c("MSI", "MSS"), times = c(length(grupo_MSI), length(grupo_MSS))))
hom_var <- leveneTest(valor~grupo, data = datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if (hom_var) {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = TRUE)
} else {
test_result <- t.test(grupo_MSI, grupo_MSS, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_MSI, grupo_MSS)
}
# Guardar el p-valor en el dataframe
result_TME2[result_TME2$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
result_TME2$significacion <- cut(
result_TME2$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME2_msi, id.vars = c("ID", "MSI"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear una lista de comparaciones entre grupos para el boxplot
comparisons <- lapply(1:nrow(result_TME2), function(i) {
c(i, i)
})
### Anotaciones con los valores de significación para cada tipo celular
annotations <- result_TME2$significacion[match(unique(infiltration_long$Cell_Type), result_TME2$TipoCelular)]
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = MSI)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1)) +
geom_signif(
comparisons = comparisons,
annotations = annotations,
tip_length = 0,
)
Comparación resultados
Una vez obtenidos los resultados para ambos conjuntos de datos, se comparan en una tabla.
# Crear datasets
dataset1 <- data.frame(
Tipo_Celular = c("Células B", "Células citotóxicas", "Células dendríticas", "Eosinófilos", "Macrófagos", "Mastocitos", "Células NK", "Neutrófilos", "Células T CD4", "Células T CD8", "Células T gamma delta", "Células T reguladoras", "Células T helper foliculares ", "Macrófagos M1", "Macrófagos M2", "Endoteliales", "Fibroblastos", "Monocitos", "Células plasmáticas"),
CIBERSORT = c("NS", "NA", "S", "NS", "S", "S", "S", "NS", "NS", "NS", "NS", "S", "NS", "S", "NS", "NA", "NA", "NS", "S"),
MCP.counter = c("S", "S", "S", "NA", "NA", "NA", "S", "S", "S", "S", "NA", "NA", "NA", "NA", "NA", "NS", "NS", "S", "NA"),
quanTIseq = c("S", "NA", "NS", "NA", "NA", "NA", "S", "NS", "S", "S", "NA", "S", "NA", "S", "NS", "NA", "NA", "S", "NA"),
ConsensusTME = c("S", "S", "S", "S", "S", "S", "S", "S", "S", "S", "S", "S", "NA", "S", "S", "NS", "S", "S", "S")
)
dataset1[] <- lapply(dataset1, factor)
dataset2 <- data.frame(
Tipo_Celular = c("Células B", "Células citotóxicas", "Células dendríticas", "Eosinófilos", "Macrófagos", "Mastocitos", "Células NK", "Neutrófilos", "Células T CD4", "Células T CD8", "Células T gamma delta", "Células T reguladoras", "Células T helper foliculares ", "Macrófagos M1", "Macrófagos M2", "Endoteliales", "Fibroblastos", "Monocitos", "Células plasmáticas"),
CIBERSORT = c("NS", "NA", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NA", "NA", "NS", "NS"),
MCP.counter = c("NS", "NS", "NS", "NA", "NA", "NA", "NS", "NS", "NS", "NS", "NA", "NA", "NA", "NA", "NA", "NS", "NS", "NS", "NA"),
quanTIseq = c("S", "NA", "NS", "NA", "NA", "NA", "S", "NS", "S", "S", "NA", "S", "NA", "S", "NS", "NA", "NA", "S", "NA"),
ConsensusTME = c("S", "NS", "S", "NS", "S", "S", "NS", "NS", "NS", "S", "S", "NS", "NA", "S", "NS", "NS", "NS", "NS", "NS")
)
dataset2[] <- lapply(dataset2, factor)
# Añadir columna "Dataset"
dataset1$Dataset <- "Dataset 1"
dataset2$Dataset <- "Dataset 2"
# Combinar en un solo dataframe
resultados <- rbind(dataset1, dataset2)
# Convertir a formato largo
resultados_largos <- melt(resultados, id.vars = c("Tipo_Celular", "Dataset"),
variable.name = "Metodo", value.name = "Resultado")
# Crear anotaciones para los tipos celulares de CIBERSORT
anotaciones <- data.frame(
Dataset = c("Dataset 1"),
Tipo_Celular = c("Células dendríticas"),
Metodo = c("CIBERSORT"),
label = c("Activadas"),
Resultado = c("S")
)
# Representar tabla
ggplot(resultados_largos, aes(x = Metodo, y = Tipo_Celular, fill = Resultado)) +
geom_tile(color = "white", linewidth=0.5) +
scale_fill_manual(values = c("S" = "#ff7f0e",
"NS" = "#1f77b4",
"NA" = "#d3d3d3")) +
facet_wrap(~ Dataset, ncol = 2) +
theme_minimal() +
labs(title = "Coincidencias entre métodos de deconvolución",
x = "Métodos",
y = "Tipos Celulares") +
theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 8),
axis.text.y = element_text(size = 7),
panel.grid = element_blank(),
strip.text = element_text(size = 12, face = "bold"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 8),
legend.title = element_text(size = 10)) +
scale_x_discrete(expand = c(0, 0)) +
scale_y_discrete(expand = c(0, 0)) +
geom_text(data = anotaciones, aes(x = Metodo, y = Tipo_Celular, label = label),
color = "white", size = 2, fontface = "italic")
Estratificación MSI-Estadio
Dado el mayor tamaño del Dataset1, ha sido posible estratificar a los pacientes según su estadio tumoral y la presencia de inestabilidad de microsatélites con el fin de determinar si existen diferencias en la infiltración del sistema inmune entre los estadios II y III en función de la presencia o ausencia de inestabilidad de microsatélites.
# Preparar el dataframe Grupo
Grupo <- clinic1[, c("ID", "group")]
colnames(Grupo) <- c("ID", "Grupo")
# CIBERSORT
## Preparar los datos
inf_ciber_grupo <- as.data.frame(t(cibersort_r1_rep))
inf_ciber_grupo[] <- lapply(inf_ciber_grupo, function(x) as.numeric(as.character(x)))
inf_ciber_grupo$ID <- rownames(inf_ciber_grupo)
inf_ciber_grupo <- merge(inf_ciber_grupo, Grupo, by = "ID")
inf_ciber_grupo$Grupo <- as.factor(inf_ciber_grupo$Grupo)
inf_ciber_grupo$Grupo <- factor(inf_ciber_grupo$Grupo, levels = c("Stage II, MSI", "Stage III, MSI", "Stage II, MSS", "Stage III, MSS"))
## Calcular si hay diferencias significativas entre estadio II y III entre los pacientes con MSI
tipos_celulares <- names(inf_ciber_grupo)[2:23]
res_ciber_MSI <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_II <- inf_ciber_grupo[inf_ciber_grupo$Grupo == "Stage II, MSI", tipo]
grupo_III <- inf_ciber_grupo[inf_ciber_grupo$Grupo == "Stage III, MSI", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor =c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times=c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor ~ grupo, data=datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if(hom_var){
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result<- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
res_ciber_MSI[res_ciber_MSI$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
res_ciber_MSI$significacion <- cut(
res_ciber_MSI$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
print(res_ciber_MSI)## TipoCelular p_value significacion
## 1 B cells naive 0.94388709
## 2 B cells memory 0.57784830
## 3 Plasma cells 0.23620728
## 4 T cells CD8 0.28200113
## 5 T cells CD4 naive 0.10325515
## 6 T cells CD4 memory resting 0.51609086
## 7 T cells CD4 memory activated 0.87459987
## 8 T cells follicular helper 0.52395993
## 9 T cells regulatory (Tregs) 0.32791755
## 10 T cells gamma delta 0.30669680
## 11 NK cells resting 0.32167635
## 12 NK cells activated 0.21921113
## 13 Monocytes 0.44192669
## 14 Macrophages M0 0.52291312
## 15 Macrophages M1 0.02831604 *
## 16 Macrophages M2 0.33567470
## 17 Dendritic cells resting 0.33937666
## 18 Dendritic cells activated 0.09377259
## 19 Mast cells resting 0.98428381
## 20 Mast cells activated 0.87934344
## 21 Eosinophils 0.95714908
## 22 Neutrophils 0.88596785## Calcular si hay diferencias significativas entre estadio II y III entre los pacientes con MSS
res_ciber_MSS <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_II <- inf_ciber_grupo[inf_ciber_grupo$Grupo == "Stage II, MSS", tipo]
grupo_III <- inf_ciber_grupo[inf_ciber_grupo$Grupo == "Stage III, MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor =c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times=c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor ~ grupo, data=datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if(hom_var){
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result<- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
res_ciber_MSS[res_ciber_MSS$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
res_ciber_MSS$significacion <- cut(
res_ciber_MSS$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
print(res_ciber_MSS)## TipoCelular p_value significacion
## 1 B cells naive 0.642943176
## 2 B cells memory 0.388571405
## 3 Plasma cells 0.001823083 **
## 4 T cells CD8 0.510489057
## 5 T cells CD4 naive 0.028928805 *
## 6 T cells CD4 memory resting 0.861215440
## 7 T cells CD4 memory activated 0.895379128
## 8 T cells follicular helper 0.015223885 *
## 9 T cells regulatory (Tregs) 0.329054434
## 10 T cells gamma delta 0.389931788
## 11 NK cells resting 0.597048841
## 12 NK cells activated 0.003473511 **
## 13 Monocytes 0.212578125
## 14 Macrophages M0 0.920478297
## 15 Macrophages M1 0.971365059
## 16 Macrophages M2 0.893200764
## 17 Dendritic cells resting 0.452008852
## 18 Dendritic cells activated 0.490163800
## 19 Mast cells resting 0.067705820
## 20 Mast cells activated 0.444179266
## 21 Eosinophils 0.109789910
## 22 Neutrophils 0.067811059## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_ciber_grupo, id.vars = c("ID", "Grupo"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Grupo)) +
geom_boxplot() +
labs(title = "CIBERSORT",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1),
legend.text = element_text(size = 6),
legend.title = element_text(size = 7)) +
ylim(NA, 0.55) +
# Añadir la significación manualmente
geom_signif(y_position = c(0.35, 0.25, 0.4, 0.45, 0.15), xmin = c(3, 5, 8, 12, 14.6), xmax = c(3.5,5.5,8.5,12.5,15), annotation = c("**","*", "*", "**", "*"),
tip_length = 0) 
# MCP-counter
## Preparar los datos
inf_MCP_grupo <- as.data.frame(t(MCP_r1))
inf_MCP_grupo[] <- lapply(inf_MCP_grupo, function(x) as.numeric(as.character(x)))
inf_MCP_grupo$ID <- rownames(inf_MCP_grupo)
inf_MCP_grupo <- merge(inf_MCP_grupo, Grupo, by = "ID")
inf_MCP_grupo$Grupo <- as.factor(inf_MCP_grupo$Grupo)
inf_MCP_grupo$Grupo <- factor(inf_MCP_grupo$Grupo, levels = c("Stage II, MSI", "Stage III, MSI", "Stage II, MSS", "Stage III, MSS"))
## Calcular si hay diferencias significativas entre estadio II y III entre los pacientes con MSI
tipos_celulares <- names(inf_MCP_grupo)[2:11]
res_MCP_MSI <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_II <- inf_MCP_grupo[inf_MCP_grupo$Grupo == "Stage II, MSI", tipo]
grupo_III <- inf_MCP_grupo[inf_MCP_grupo$Grupo == "Stage III, MSI", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor =c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times=c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor ~ grupo, data=datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if(hom_var){
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result<- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
res_MCP_MSI[res_MCP_MSI$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
res_MCP_MSI$significacion <- cut(
res_MCP_MSI$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
print(res_MCP_MSI)## TipoCelular p_value significacion
## 1 T cells 0.61919130
## 2 CD8 T cells 0.17542704
## 3 Cytotoxic lymphocytes 0.53633235
## 4 B lineage 0.02013340 *
## 5 NK cells 0.48655689
## 6 Monocytic lineage 0.08043555
## 7 Myeloid dendritic cells 0.47613263
## 8 Neutrophils 0.24932671
## 9 Endothelial cells 0.74487675
## 10 Fibroblasts 0.22048936## Calcular si hay diferencias significativas entre estadio II y III entre los pacientes con MSS
res_MCP_MSS <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_II <- inf_MCP_grupo[inf_MCP_grupo$Grupo == "Stage II, MSS", tipo]
grupo_III <- inf_MCP_grupo[inf_MCP_grupo$Grupo == "Stage III, MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor =c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times=c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor ~ grupo, data=datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if(hom_var){
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result<- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
res_MCP_MSS[res_MCP_MSS$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
res_MCP_MSS$significacion <- cut(
res_MCP_MSS$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
print(res_MCP_MSS)## TipoCelular p_value significacion
## 1 T cells 0.10029356
## 2 CD8 T cells 0.35785452
## 3 Cytotoxic lymphocytes 0.97418338
## 4 B lineage 0.07413711
## 5 NK cells 0.22505025
## 6 Monocytic lineage 0.05720486
## 7 Myeloid dendritic cells 0.25502287
## 8 Neutrophils 0.47097348
## 9 Endothelial cells 0.05026756
## 10 Fibroblasts 0.07295886## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_MCP_grupo, id.vars = c("ID", "Grupo"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Grupo)) +
geom_boxplot() +
labs(title = "MCP-counter",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1),
legend.text = element_text(size = 6),
legend.title = element_text(size = 7)) +
# Añadir la significación manualmente
geom_signif(y_position = 10.5, xmin = 3.6, xmax = 4, annotation = "*", tip_length = 0) 
# quanTIseq
## Preparar los datos
inf_quant_grupo <- as.data.frame(t(quantiseq_r1))
inf_quant_grupo[] <- lapply(inf_quant_grupo, function(x) as.numeric(as.character(x)))
inf_quant_grupo$ID <- rownames(inf_quant_grupo)
inf_quant_grupo <- merge(inf_quant_grupo, Grupo, by = "ID")
inf_quant_grupo$Grupo <- as.factor(inf_quant_grupo$Grupo)
inf_quant_grupo$Grupo <- factor(inf_quant_grupo$Grupo, levels = c("Stage II, MSI", "Stage III, MSI", "Stage II, MSS", "Stage III, MSS"))
## Calcular si hay diferencias significativas entre estadio II y III entre los pacientes con MSI
tipos_celulares <- names(inf_quant_grupo)[2:12]
res_quant_MSI <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_II <- inf_quant_grupo[inf_quant_grupo$Grupo == "Stage II, MSI", tipo]
grupo_III <- inf_quant_grupo[inf_quant_grupo$Grupo == "Stage III, MSI", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor =c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times=c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor ~ grupo, data=datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if(hom_var){
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result<- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
res_quant_MSI[res_quant_MSI$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
res_quant_MSI$significacion <- cut(
res_quant_MSI$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
print(res_quant_MSI)## TipoCelular p_value significacion
## 1 B.cells 0.23418265
## 2 Macrophages.M1 0.23951905
## 3 Macrophages.M2 0.60440634
## 4 Monocytes 0.13468518
## 5 Neutrophils 0.79122810
## 6 NK.cells 0.21502017
## 7 T.cells.CD4 0.03728692 *
## 8 T.cells.CD8 0.18218942
## 9 Tregs 0.77835961
## 10 Dendritic.cells 0.52077157
## 11 Other 0.89759797## Calcular si hay diferencias significativas entre estadio II y III entre los pacientes con MSS
res_quant_MSS <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_II <- inf_quant_grupo[inf_quant_grupo$Grupo == "Stage II, MSS", tipo]
grupo_III <- inf_quant_grupo[inf_quant_grupo$Grupo == "Stage III, MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor =c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times=c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor ~ grupo, data=datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if(hom_var){
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result<- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
res_quant_MSS[res_quant_MSS$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
res_quant_MSS$significacion <- cut(
res_quant_MSS$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
print(res_quant_MSS)## TipoCelular p_value significacion
## 1 B.cells 0.01513224 *
## 2 Macrophages.M1 0.82101399
## 3 Macrophages.M2 0.07118345
## 4 Monocytes 0.51563043
## 5 Neutrophils 0.12386982
## 6 NK.cells 0.57161423
## 7 T.cells.CD4 0.82919820
## 8 T.cells.CD8 0.25477839
## 9 Tregs 0.40903298
## 10 Dendritic.cells 0.24326094
## 11 Other 0.14857747## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_quant_grupo, id.vars = c("ID", "Grupo"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Grupo)) +
geom_boxplot() +
labs(title = "quanTIseq",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1),
legend.text = element_text(size = 6),
legend.title = element_text(size = 7)) +
geom_signif(y_position = c(0.45, 1), xmin = c(6.6, 1), xmax = c(7, 1.4), annotation = c("*", "*"), tip_length = 0) 
# ConsensusTME
## Preparar los datos
inf_TME_grupo <- as.data.frame(t(TME_r1_rep))
inf_TME_grupo[] <- lapply(inf_TME_grupo, function(x) as.numeric(as.character(x)))
inf_TME_grupo$ID <- rownames(inf_TME_grupo)
inf_TME_grupo <- merge(inf_TME_grupo, Grupo, by = "ID")
inf_TME_grupo$Grupo <- as.factor(inf_TME_grupo$Grupo)
inf_TME_grupo$Grupo <- factor(inf_TME_grupo$Grupo, levels = c("Stage II, MSI", "Stage III, MSI", "Stage II, MSS", "Stage III, MSS"))
## Calcular si hay diferencias significativas entre estadio II y III entre los pacientes con MSI
tipos_celulares <- names(inf_TME_grupo)[2:19]
res_TME_MSI <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_II <- inf_TME_grupo[inf_TME_grupo$Grupo == "Stage II, MSI", tipo]
grupo_III <- inf_TME_grupo[inf_TME_grupo$Grupo == "Stage III, MSI", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor =c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times=c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor ~ grupo, data=datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if(hom_var){
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result<- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
res_TME_MSI[res_TME_MSI$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
res_TME_MSI$significacion <- cut(
res_TME_MSI$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
print(res_TME_MSI)## TipoCelular p_value significacion
## 1 B_cells 0.09473045
## 2 Cytotoxic_cells 0.72438372
## 3 Dendritic_cells 0.11057336
## 4 Eosinophils 0.20889229
## 5 Macrophages 0.06298587
## 6 Mast_cells 0.91500830
## 7 NK_cells 0.87776157
## 8 Neutrophils 0.26156934
## 9 T_cells_CD4 0.39496421
## 10 T_cells_CD8 0.44560695
## 11 T_cells_gamma_delta 0.57278096
## 12 T_regulatory_cells 0.18218942
## 13 Macrophages_M1 0.11388421
## 14 Macrophages_M2 0.07931743
## 15 Endothelial 0.57278096
## 16 Fibroblasts 0.61477118
## 17 Monocytes 0.16183841
## 18 Plasma_cells 0.26514229## Calcular si hay diferencias significativas entre estadio II y III entre los pacientes con MSS
res_TME_MSS <- data.frame(TipoCelular = tipos_celulares, p_value = NA)
for (tipo in tipos_celulares) {
grupo_II <- inf_TME_grupo[inf_TME_grupo$Grupo == "Stage II, MSS", tipo]
grupo_III <- inf_TME_grupo[inf_TME_grupo$Grupo == "Stage III, MSS", tipo]
# Comprobar la normalidad de los datos utilizando la prueba de Shapiro-Wilk
if (shapiro.test(grupo_II)$p.value > 0.05 && shapiro.test(grupo_III)$p.value > 0.05) {
# Comprobar homogeneidad de varianzas utilizando la prueba de Levene
datos_grupo <- data.frame(valor =c(grupo_II, grupo_III), grupo = rep(c("II", "III"), times=c(length(grupo_II), length(grupo_III))))
hom_var <- leveneTest(valor ~ grupo, data=datos_grupo)$`Pr(>F)`[1]>0.05
# Seleccionar la prueba T según la homogeneidad de varianzas
if(hom_var){
test_result <- t.test(grupo_II, grupo_III, var.equal = TRUE)
} else {
test_result<- t.test(grupo_II, grupo_III, var.equal = FALSE)
}
} else {
# Aplicar prueba no paramétrica
test_result <- wilcox.test(grupo_II, grupo_III)
}
# Guardar el p-valor en el dataframe
res_TME_MSS[res_TME_MSS$TipoCelular == tipo, "p_value"] <- test_result$p.value
}
## Clasificar los p-valores en categorías de significación
res_TME_MSS$significacion <- cut(
res_TME_MSS$p_value,
breaks = c(-Inf, 0.001, 0.01, 0.05, 1),
labels = c("***", "**", "*", ""),
right = FALSE
)
print(res_TME_MSS)## TipoCelular p_value significacion
## 1 B_cells 0.059225853
## 2 Cytotoxic_cells 0.259203269
## 3 Dendritic_cells 0.038907591 *
## 4 Eosinophils 0.008389869 **
## 5 Macrophages 0.042833207 *
## 6 Mast_cells 0.085936244
## 7 NK_cells 0.186995514
## 8 Neutrophils 0.325889188
## 9 T_cells_CD4 0.024432710 *
## 10 T_cells_CD8 0.048306008 *
## 11 T_cells_gamma_delta 0.230128055
## 12 T_regulatory_cells 0.051203222
## 13 Macrophages_M1 0.062039653
## 14 Macrophages_M2 0.073099437
## 15 Endothelial 0.087227759
## 16 Fibroblasts 0.023214984 *
## 17 Monocytes 0.059383738
## 18 Plasma_cells 0.006379080 **## Representar el boxplot
### Convertir los datos a formato largo
infiltration_long <- melt(inf_TME_grupo, id.vars = c("ID", "Grupo"),
variable.name = "Cell_Type", value.name = "Infiltration")
### Crear el boxplot
ggplot(infiltration_long, aes(x = Cell_Type, y = Infiltration, fill = Grupo)) +
geom_boxplot() +
labs(title = "ConsensusTME",
x = "Tipos Celulares",
y = "Infiltración") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1),
legend.text = element_text(size = 6),
legend.title = element_text(size = 7)) +
geom_signif(y_position = c(0.85, 0.85, 0.85, 0.85, 0.85, 0.95, 0.85), xmin = c(3, 4, 5, 9, 10, 16, 18), xmax = c(3.4, 4.4, 5.4, 9.4, 10.4, 16.4, 18.4), annotation = c("*", "**", "*", "*", "*", "*", "**"), tip_length = 0) 
Una vez obtenidos los resultados, se han comparado en una tabla.
# Crear datasets
MSI <- data.frame(
Tipo_Celular = c("Células B", "Células citotóxicas", "Células dendríticas", "Eosinófilos", "Macrófagos", "Mastocitos", "Células NK", "Neutrófilos", "Células T CD4", "Células T CD8", "Células T gamma delta", "Células T reguladoras", "Células T helper foliculares ", "Macrófagos M1", "Macrófagos M2", "Endoteliales", "Fibroblastos", "Monocitos", "Células plasmáticas"),
CIBERSORT = c("NS", "NA", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "S", "NS", "NA", "NA", "NS", "NS"),
MCP.counter = c("S", "NS", "NS", "NA", "NA", "NA", "NS", "NS", "NS", "NS", "NA", "NA", "NA", "NA", "NA", "NS", "NS", "NS", "NA"),
quanTIseq = c("NS", "NA", "NS", "NA", "NA", "NA", "NS", "NS", "S", "NS", "NA", "NS", "NA", "NS", "NS", "NA", "NA", "NS", "NA"),
ConsensusTME = c("NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NS", "NA", "NS", "NS", "NS", "NS", "NS", "NS")
)
MSI[] <- lapply(MSI, factor)
MSS <- data.frame(
Tipo_Celular = c("Células B", "Células citotóxicas", "Células dendríticas", "Eosinófilos", "Macrófagos", "Mastocitos", "Células NK", "Neutrófilos", "Células T CD4", "Células T CD8", "Células T gamma delta", "Células T reguladoras", "Células T helper foliculares ", "Macrófagos M1", "Macrófagos M2", "Endoteliales", "Fibroblastos", "Monocitos", "Células plasmáticas"),
CIBERSORT = c("NS", "NA", "NS", "NS", "NS", "NS", "S", "NS", "S", "NS", "NS", "NS", "S", "NS", "NS", "NA", "NA", "NS", "S"),
MCP.counter = c("NS", "NS", "NS", "NA", "NA", "NA", "NS", "NS", "NS", "NS", "NA", "NA", "NA", "NA", "NA", "NS", "NS", "NS", "NA"),
quanTIseq = c("S", "NA", "NS", "NA", "NA", "NA", "NS", "NS", "NS", "NS", "NA", "NS", "NA", "NS", "NS", "NA", "NA", "NS", "NA"),
ConsensusTME = c("NS", "NS", "S", "S", "S", "NS", "NS", "NS", "S", "S", "NS", "NS", "NA", "NS", "NS", "NS", "S", "NS", "S")
)
MSS[] <- lapply(MSS, factor)
# Añadir columna "Dataset"
MSI$Dataset <- "MSI"
MSS$Dataset <- "MSS"
# Combinar en un solo dataframe
resultados <- rbind(MSI, MSS)
# Convertir a formato largo
resultados_largos <- melt(resultados, id.vars = c("Tipo_Celular", "Dataset"),
variable.name = "Metodo", value.name = "Resultado")
# Crear anotaciones para los tipos celulares de CIBERSORT
anotaciones <- data.frame(
Dataset = c("MSS", "MSS"),
Tipo_Celular = c("Células T CD4", "Células NK"),
Metodo = c("CIBERSORT", "CIBERSORT"),
label = c("Naive", "Activadas"),
Resultado = c("S", "S")
)
# Representar
ggplot(resultados_largos, aes(x = Metodo, y = Tipo_Celular, fill = Resultado)) +
geom_tile(color = "white", linewidth=0.5) +
scale_fill_manual(values = c("S" = "#ff7f0e",
"NS" = "#1f77b4",
"NA" = "#d3d3d3")) +
facet_wrap(~ Dataset, ncol = 2) +
theme_minimal() +
labs(title = "Coincidencias entre métodos de deconvolución",
x = "Métodos",
y = "Tipos Celulares") +
theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 8),
axis.text.y = element_text(size = 7),
panel.grid = element_blank(),
strip.text = element_text(size = 12, face = "bold"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 8),
legend.title = element_text(size = 10)) +
scale_x_discrete(expand = c(0, 0)) +
scale_y_discrete(expand = c(0, 0)) +
geom_text(data = anotaciones, aes(x = Metodo, y = Tipo_Celular, label = label),
color = "white", size = 2, fontface = "italic")
Análisis de supervivencia
# Crear un dataframe para los análisis de supervivencia
Surv <- clinic2[, c("CÓDIGO IDENTIFICACIÓN", "SurvTime", "Status")]
colnames(Surv) <- c("ID", "SurvTime", "Status")
# CIBERSORT
## Preparar los datos
inf_ciber_surv <- as.data.frame(t(cibersort_r2_rep))
inf_ciber_surv[] <- lapply(inf_ciber_surv, function(x) as.numeric(as.character(x)))
inf_ciber_surv$ID <- rownames(inf_ciber_surv)
inf_ciber_surv <- merge(inf_ciber_surv, Surv, by = "ID")
inf_ciber_surv <- inf_ciber_surv[ , -c(8, 10, 12)] # Descartar tipos celulares cuyos valores son idénticos
colnames(inf_ciber_surv) <- gsub(" ", ".", colnames(inf_ciber_surv)) # Renombrar columnas para eliminar espacios
inf_ciber_surv <- inf_ciber_surv[!is.na(inf_ciber_surv$SurvTime), ] # Descartar filas con valores NA en el tiempo de supervivencia.
inf_ciber_surv$Status <- as.numeric(as.character(inf_ciber_surv$Status)) # Transformar la variable Status en numérica
## Usar `surv_cutpoint` para encontrar el mejor punto de corte para los datos de infiltración
cutpoint <- surv_cutpoint(inf_ciber_surv, time = "SurvTime", event = "Status",
variables = names(inf_ciber_surv[2:20]))## | | | 0% | |==== | 5% | |======= | 11% | |=========== | 16% | |=============== | 21% | |================== | 26% | |====================== | 32% | |========================== | 37% | |============================= | 42% | |================================= | 47% | |===================================== | 53% | |========================================= | 58% | |============================================ | 63% | |================================================ | 68% | |==================================================== | 74% | |======================================================= | 79% | |=========================================================== | 84% | |=============================================================== | 89% | |================================================================== | 95% | |======================================================================| 100%## Utilizar `surv_categorize` para estratificar los valores de infiltración en función del punto de corte
ciber_cat <- surv_categorize(cutpoint)
ciber_cat[, 3:21] <- lapply(ciber_cat[, 3:21], as.factor) # Transformar las variables de infiltración en factores
## Análisis de supervivencia
Y=Surv(ciber_cat$SurvTime,ciber_cat$Status==1) # Crear un objeto de supervivencia
cell_types <- colnames(ciber_cat)[3:21]
plots <- list()
### Representar las gráficas de supervivencia de cada tipo celular
for (cell_type in cell_types) {
# Ajustar el modelo de Kaplan-Meier
kmfit <- survfit(Y ~ ciber_cat[[cell_type]])
# Generar la gráfica
plot <- ggsurvplot(
kmfit,
data = ciber_cat,
conf.int = TRUE,
pval = TRUE,
xlab = "Tiempo de supervivencia (días)",
ylab = "Probabilidad de supervivencia",
ggtheme = theme_light(),
title = cell_type,
risk.table.y.text.col = T,
risk.table.y.text = FALSE,
legend.labs = c("High", "Low"),
legend.position = c(0.5, 0.5)
)
# Formatear la leyenda del gráfico
plot$plot <- plot$plot + theme(
legend.background = element_rect(fill = "transparent"),
legend.key = element_blank(),
legend.title = element_text(size = 10),
legend.text = element_text(size = 8),
plot.title = element_text(size = 12),
legend.position = c(0.85, 0.25),
panel.grid = element_blank(),
)
plots[[cell_type]] <- plot$plot
}
print(plots)## $B.cells.naive
##
## $B.cells.memory
##
## $Plasma.cells
##
## $T.cells.CD8
##
## $T.cells.CD4.naive
##
## $T.cells.CD4.memory.resting
##
## $T.cells.follicular.helper
##
## $T.cells.gamma.delta
##
## $NK.cells.activated
##
## $Monocytes
##
## $Macrophages.M0
##
## $Macrophages.M1
##
## $Macrophages.M2
##
## $Dendritic.cells.resting
##
## $Dendritic.cells.activated
##
## $Mast.cells.resting
##
## $Mast.cells.activated
##
## $Eosinophils
##
## $Neutrophils
# ConsensusTME
## Preparar los datos
inf_TME_surv <- as.data.frame(t(TME_r2_rep))
inf_TME_surv[] <- lapply(inf_TME_surv, function(x) as.numeric(as.character(x)))
inf_TME_surv$ID <- rownames(inf_TME_surv)
inf_TME_surv <- merge(inf_TME_surv, Surv, by = "ID")
inf_TME_surv <- inf_TME_surv[!is.na(inf_TME_surv$SurvTime), ] # Descartar filas con valores NA en el tiempo de supervivencia
inf_TME_surv$Status <- as.numeric(as.character(inf_TME_surv$Status)) # Transformar la variable Status en numérica
## Usar `surv_cutpoint` para encontrar el mejor punto de corte para los datos de infiltración
cutpoint <- surv_cutpoint(inf_TME_surv, time = "SurvTime", event = "Status",
variables = names(inf_TME_surv[2:19]))## | | | 0% | |==== | 6% | |======== | 11% | |============ | 17% | |================ | 22% | |=================== | 28% | |======================= | 33% | |=========================== | 39% | |=============================== | 44% | |=================================== | 50% | |======================================= | 56% | |=========================================== | 61% | |=============================================== | 67% | |=================================================== | 72% | |====================================================== | 78% | |========================================================== | 83% | |============================================================== | 89% | |================================================================== | 94% | |======================================================================| 100%## Utilizar `surv_categorize` para estratificar los valores de infiltración en función del punto de corte
TME_cat <- surv_categorize(cutpoint)
TME_cat[, 3:20] <- lapply(TME_cat[, 3:20], as.factor) # Transformar las variables de infiltración en factores
## Análisis de supervivencia
Y=Surv(TME_cat$SurvTime,TME_cat$Status==1) # Crear un objeto de supervivencia
cell_types <- colnames(TME_cat)[3:20]
plots <- list()
### Representar las gráficas de supervivencia de cada tipo celular
for (cell_type in cell_types) {
# Ajustar el modelo de Kaplan-Meier
kmfit <- survfit(Y ~ TME_cat[[cell_type]])
# Generar la gráfica
plot <- ggsurvplot(
kmfit,
data = TME_cat,
conf.int = TRUE,
pval = TRUE,
xlab = "Tiempo de supervivencia (días)",
ylab = "Probabilidad de supervivencia",
ggtheme = theme_light(),
title = cell_type,
risk.table.y.text.col = T,
risk.table.y.text = FALSE,
legend.labs = c("High", "Low"),
legend.position = c(0.5, 0.5)
)
# Formatear la leyenda del gráfico
plot$plot <- plot$plot + theme(
legend.background = element_rect(fill = "transparent"),
legend.key = element_blank(),
legend.title = element_text(size = 10),
legend.text = element_text(size = 8),
plot.title = element_text(size = 12),
legend.position = c(0.85, 0.25),
panel.grid = element_blank(),
)
plots[[cell_type]] <- plot$plot
}
print(plots)## $B_cells
##
## $Cytotoxic_cells
##
## $Dendritic_cells
##
## $Eosinophils
##
## $Macrophages
##
## $Mast_cells
##
## $NK_cells
##
## $Neutrophils
##
## $T_cells_CD4
##
## $T_cells_CD8
##
## $T_cells_gamma_delta
##
## $T_regulatory_cells
##
## $Macrophages_M1
##
## $Macrophages_M2
##
## $Endothelial
##
## $Fibroblasts
##
## $Monocytes
##
## $Plasma_cells